Бул изилдөө бет сүрөттөрүндөгү мимика үлгүлөрүн автоматтык түрдө классификациялоо үчүн MATLAB чөйрөсүндө колдонууга боло турган салттуу машина үйрөнүүсү жана терең үйрөнүү ыкмаларын карайт. Бет мимикасын таануу (Facial Expression Recognition, FER) — бет сүрөтүндөгү көрүнүп турган геометриялык жана текстуралык белгилерди пайдаланып, сүрөттү алдын ала аныкталган мимика класстарынын бирине таандык кылууга аракеттенген компьютердик көрүү жана үлгү таануу маселеси. Булак изилдөө кубаныч, кайгы, ачуулануу, таң калуу, коркуу жана жийиркенүү деген алты негизги мимика классын бутага алат; салттуу линия бетти табуу, боз түскө өткөрүү, гистограмманы теңдөө, Local Binary Patterns (LBP) белгилерин чыгаруу жана Support Vector Machine (SVM) классификациясын колдонот. Альтернатива катары MATLAB Deep Learning Toolbox негизинде Convolutional Neural Network (CNN) архитектурасы сунушталат.

Булакта билдирилген жыйынтыктарга ылайык, LBP белгилери менен иштеген SVM ыкмасы %65 тактык, ал эми CNN ыкмасы %75 тактык көрсөткөн. Ошентип, ошол эле макалада CNN үчүн 10 пайыздык пунктка жогору тактык билдирилген. Бирок бул маанилер кайсы маалымат топтомунан алынганы, окутуу-тест бөлүнүшү, үлгүлөрдүн саны, класстардын тең салмактуулугу, кайталоо саны жана башка баалоо көрсөткүчтөрү так берилбегендиктен, жыйынтыктар көзөмөлдөнгөн жана кайра өндүрүлө турган benchmark катары чечмеленбеши керек.

Макаланын маанилүү методологиялык өзгөчөлүгү — сүрөт иштетүү линиясын MATLAB код үзүндүлөрү менен конкреттештириши. Булакта сүрөттү окуу, боз түскө өткөрүү, гистограмманы теңдөө, Viola-Jones негизиндеги бетти табуу, LBP белгилерин чыгаруу, SVM окутуу жана CNN окутуу жөндөөлөрү боюнча мисалдар бар. Ошол эле учурда булак өзүн кеңири обзор катары мүнөздөсө да, системалуу адабият издөө протоколун бербейт; ошондуктан изилдөөнү окутуучу/баяндоочу обзор жана үлгүлүү колдонмо алкагы катары баалоо туурараак.

FER жыйынтыктарын да туура чектерде чечмелөө керек. Алгоритмдин бет сүрөтүн маалымат топтомунда “happy”, “sad” же “angry” деп аныкталган класска таандык кылышы адамдын чыныгы ички эмоционалдык абалын түз өлчөйт дегенди билдирбейт. Бул изилдөө да негизинен сүрөт классификациясынын иштөө көрсөткүчүн талкуулайт.

Бет Мимикасын Таануу (FER) Деген Эмне?

Бет мимикасын таануу — бет сүрөтүндөгү ооз, көз, каш жана алардын айланасындагы көрүнүктүү форма же текстура өзгөрүүлөрүн сандык белгилерге айландырып, сүрөттү алдын ала аныкталган мимика класстарынын бирине бөлгөн компьютердик көрүү маселеси. Булак изилдөө FERди MATLABда сүрөттү алдын ала иштетүү, белгилерди чыгаруу жана классификациялоодон турган иштетүү линиясы катары карайт жана алты максаттуу класс катары кубаныч, кайгы, ачуулануу, таң калуу, коркуу жана жийиркенүүнү тизмектейт.

FER системасынын негизги иштетүү линиясы

Булакта сүрөттөлгөн салттуу FER процессин төрт негизги этап менен жыйынтыктоого болот:

1. Белгиленген бет сүрөттөрүн алуу.
2. Сүрөттөрдү алдын ала иштетүү жана бет аймагын бөлүп алуу.
3. Бетти көрсөтө турган сандык белгилерди чыгаруу.
4. Чыгарылган белгилерден мимика классын болжолдоо.

Булак бул иштетүү линиясын өзгөчө MATLAB куралдары аркылуу түшүндүрөт. Ыкма бөлүмүндө стандарттуу бет мимикасы маалымат топтомдоруна мисал катары CK+, JAFFE жана FER2013 аттары берилет. Алар окутуу жана тест үчүн белгиленген бет сүрөттөрүн бере ала турган маалымат булактары катары айтылат; бирок макалада билдирилген %65 жана %75 тактыктар так кайсынысынан алынганы көрсөтүлбөйт.

Сүрөттү алуу эмне үчүн биринчи этап?

Классификатор бет мимикаларын өзү билип калбайт; адегенде ар башка класстарды өкүлдөгөн белгиленген үлгүлөр керек. Булак муну адамдардын ар кандай бет мимикалары бар чоң фотоальбомго салыштырат. Окутуу маалыматындагы ар бир сүрөт “happy”, “sad”, “angry”, “surprised”, “afraid” же “disgusted” сыяктуу класс белгисине ээ деп кабыл алынат.

Окутуудан кийин жаңы сүрөт ошол эле өкүлчүлүк мейкиндигине айландырылат жана модель мурда үйрөнгөн үлгүлөрдүн негизинде класс белгисин чыгарат. Бул жерде алгоритм көрүнгөн сүрөт белгилери менен окутуу маалында үйрөнүлгөн класс түзүмдөрүнүн ортосунда үлгү дал келүүсүн жүргүзөт.

Булакта айтылган маалымат топтомдору

Булак бул үч маалымат топтомунун баарын бир экспериментте чогуу колдонгонун ачык айтпайт. Ошондуктан алардын аттары ыкма бөлүмүндө гана кездешиши билдирилген иштөө көрсөткүчтөрү үчөөнөн тең алынган дегенди билдирбейт.

PDFдеги MATLAB интерфейси

Булактын 2-бетиндеги 1-сүрөт “AdaBoost Facial Expression Recognition” аттуу MATLAB негизиндеги графикалык колдонуучу интерфейсин көрсөтөт. Интерфейсте сүрөт тандоо, тандалган сүрөттү маалымат базасына кошуу, бет мимикасын таануу, маалымат базасынын маалыматтарын көрсөтүү, маалымат базасын тазалоо, программа жөнүндө маалыматты жана баштапкы кодду көрүү сыяктуу функциялар бар.

Бул сүрөт окутуучу жагынан FER колдонмосунун колдонуучу тарабындагы агымын көрсөтөт. Бирок макаланын негизги салттуу классификатору SVM катары берилгендиктен, AdaBoost интерфейси SVM-CNN иштөө көрсөткүчүн салыштырууга кандайча байланышаары булакта түшүндүрүлгөн эмес.

Булак сүрөт китепканасы

PDFтин 2-бетиндеги 2-сүрөт көптөгөн боз түстөгү бет сүрөттөрүнөн турган бет мимикасы сүрөт китепканасын көрсөтөт. Көрсөтмө классификация системасы бир гана сүрөт эмес, окутуу үлгүлөрүнөн турган маалымат базасынын логикасы менен иштей турганын конкреттүү көрсөтөт.

Алдын ала иштетүү этабы

Булак чийки сүрөттү классификаторго түз берүүнүн ордуна, адегенде нормалдаштырууну сунуштайт. Үч негизги операция көрсөтүлөт:

• Боз түскө өткөрүү: Түс каналдарын бир интенсивдүүлүк каналына түшүрүп, иштетиле турган маалымат түзүмүн жөнөкөйлөтөт.
• Гистограмманы теңдөө: Сүрөттүн контрастын жөнгө салып, төмөн же тең эмес контрасттын белгилерди чыгарууга таасирин азайтууну көздөйт.
• Бетти табуу: Viola-Jones сыяктуу бет детектору менен сүрөттүн бет камтыган аймагы аныкталып, кесилет.

Булактын MATLAB мисалында сүрөттү окуу үчүн imread, боз түскө өткөрүү үчүн rgb2gray, гистограмманы теңдөө үчүн histeq, бетти табуу үчүн vision.CascadeObjectDetector жана кесүү үчүн imcrop функциялары колдонулат.

Бетти табуудан мурда жана кийин көрсөтүлгөн интерфейстер

PDFтин 3-бетинде ошол эле FER интерфейсине тиешелүү эки экран сүрөтү бар. Булак аларды 3-сүрөт “before detection” жана 4-сүрөт “after detection” деп атайт. Бирок 3-сүрөттө таанылган мимика “Surprise” экенин көрсөткөн натыйжа талаасы көрүнүп турат, ал эми 4-сүрөттө жаңы тандалган сүрөт али маалымат базасына кошулушу мүмкүн экенин билдирген кабар бар. Ошондуктан сүрөт аталыштары менен интерфейс абалдарынын ортосунда көрүнүктүү иретсиздик бар.

LBP жана SVM Бирге Кантип Иштейт?

Булак ыкмасында Local Binary Patterns (LBP) бет сүрөтүндөгү жергиликтүү текстура өзгөрүүлөрүн сандык белгилерге айлантат; Support Vector Machine (SVM) болсо бул белги векторлорун колдонуп, ар башка мимика класстарын бөлгөн чечим чегин үйрөнөт. Ошентип, LBP сүрөттүн өкүлчүлүгүн түзөт, SVM болсо ушул өкүлчүлүк аркылуу класс белгисин болжолдойт.

Local Binary Patterns эмнени билдирет?

LBP борбордук пиксел менен коңшу пикселдердин интенсивдүүлүгүн салыштырган жергиликтүү текстура дескриптору. Булак түшүндүрмөсүнө ылайык, коңшу пикселдин мааниси борбордук пикселге тең же андан чоң болсо бинардык 1, болбосо 0 мааниси түзүлөт. Бул салыштыруулардан түзүлгөн бинардык үлгү жергиликтүү сүрөт текстурасын билдирет.

Бет мимикасында өзгөчө ооз, көз жана каштын айланасындагы майда форма жана текстура өзгөрүүлөрү маанилүү. Булак LBP жылмайуу, каш түйүү же каш көтөрүү сыяктуу мимика өзгөрүүлөрү менен байланышкан жергиликтүү текстура айырмаларын кармоо үчүн колдонулушу мүмкүн экенин белгилейт.

MATLAB тарабында булак бул операция үчүн extractLBPFeatures функциясын колдонот.

HOG альтернативасы

Булак белгилерди чыгаруу үчүн Histogram of Oriented Gradients (HOG) ыкмасын да альтернатива катары тизмектейт. HOG сүрөт интенсивдүүлүгүндөгү багытталган градиенттердин бөлүштүрүлүшүн жыйынтыктап, форма жана кыр түзүмдөрү жөнүндө белги түзөт. Бирок изилдөөдөгү сандык %65 жыйынтык ачык түрдө “SVM with LBP Features” ыкмасына байланыштырылган; HOG үчүн өзүнчө иштөө көрсөткүчү берилген эмес.

SVMдин ролу

Support Vector Machine — окутуу үлгүлөрүнөн ар башка класстарды бири-биринен бөлгөн чечим чегин үйрөнгөн көзөмөлдөнгөн машина үйрөнүүсү ыкмасы. Булак SVM жогорку өлчөмдүү белги мейкиндиктеринде натыйжалуу болгондуктан FER классификациясында кеңири колдонуларын белгилейт.

MATLAB мисалында fitcsvm менен моделди окутуу, predict менен тест белгилерин классификациялоо көрсөтүлөт.

Булак “Mathematical Formulation” бөлүмүндө SVM оптималдаштыруу маселеси класстарды эң жакшы бөлгөн гипертегиздикти табууну көздөй турганын айтат. Бирок жарыяланган PDFде чыныгы оптималдаштыруу теңдемеси көрүнүктүү түрдө берилбегендиктен, Verianla стандарттуу SVM теңдемесин булактын өз формуласы катары кошпойт.

Салттуу ыкманын негизги көз карандылыгы

LBP + SVM линиясында белги өкүлчүлүгү классификатордон мурун ачык түрдө долбоорлонот. Башкача айтканда, модель чечим чыгарышы үчүн адегенде адам тандаган сүрөт өкүлчүлүк ыкмасы болгон LBP колдонулат. CNN ыкмасынын негизги айырмасы — белгилерди чыгарууну да үйрөнүү процессинин ичине киргизиши.

CNN Негизиндеги FER Бул Изилдөөдө Кантип Курулган?

Булакта сунушталган CNN 48 × 48 пиксел өлчөмүндөгү бир каналдуу бет сүрөттөрүн кириш катары кабыл алган; конволюция, batch normalization, ReLU, max pooling, толук байланышкан катмар, softmax жана классификация катмарларынан турган чакан терең үйрөнүү архитектурасы. Тармак MATLAB Deep Learning Toolbox колдонулуп, Adam оптималдаштыруу ыкмасы менен окутулат.

Булакта берилген CNN катмарлары

Алты мимика классы менен жети чыгыштын ортосундагы дал келбестик

Макаланын кыскача мазмуну жана кириш бөлүмдөрү система алты негизги мимиканы таанууну максат кылганын так айтат: кубаныч, кайгы, ачуулануу, таң калуу, коркуу жана жийиркенүү. Бирок CNN кодунда акыркы толук байланышкан катмар жети чыгыштуу. Булак жетинчи класс “neutral” же башка мимика экенин билдирбейт. Ошондуктан жети чыгыштын себеби булакта чечилбеген архитектуралык белгисиздик бойдон калат.

CNN окутуу жөндөөлөрү

Булакта окутуу үчүн Adam оптималдаштыруу ыкмасы колдонулат. Коддо максималдуу epoch саны 10, текшерүү жыштыгы 30 деп берилет жана окутуу жүрүшүнүн графигин көрсөтүү талап кылынат.

Бирок булак үйрөнүү ылдамдыгын, mini-batch өлчөмүн, random seedди, маалымат көбөйтүү ыкмасын, окутуу жана тест сүрөттөрүнүн санын же жабдык өзгөчөлүктөрүн билдирбейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Булакта сүрөттөлгөн FER pipeline

Изилдөөнүн салттуу MATLAB pipeline төмөнкү иретти карманат:

1. Белгиленген бет сүрөттөрүн маалымат топтомунан жүктөө.
2. Бет сүрөтүн боз түскө өткөрүү.
3. Гистограмманы теңдөө менен контрастты жакшыртуу.
4. Viola-Jones негизиндеги бет детектору менен бет аймагын табуу.
5. Табылган бет аймагын кесүү.
6. LBP же HOG негизинде белгилерди чыгаруу.
7. SVM менен мимика классификациясы.

Терең үйрөнүү альтернативасы бул линиянын белги чыгаруу жана классификация бөлүгүн CNN ичинде бирге үйрөнүүнү максат кылат.

Билдирилген тактык салыштыруусу

Булак маанилеринин ортосунда 10 пайыздык пункт айырма бар. Бул макалада билдирилген гана эксперименттик салыштыруу.

Бул Изилдөөдө CNN, LBP + SVMге Караганда Ийгиликтүүрөөкпү?

Булакта билдирилген жалгыз тактык салыштыруусуна ылайык, ооба: CNN үчүн %75, LBP белгилери менен иштеген SVM үчүн %65 тактык билдирилген. Бирок кайсы маалымат топтому жана кайсы train/test протоколу колдонулганы айтылбагандыктан, бул 10 пайыздык пункт айырма CNN FER маселелеринде жалпысынан же статистикалык жактан артык экенин өз алдынча далилдебейт.

CNN боюнча булактагы түшүндүрмө

Авторлор CNNдер көз, каш жана ооз сыяктуу аймактардагы татаал сүрөт үлгүлөрүн катмарлар аркылуу автоматтык түрдө үйрөнө аларын жана белгилерди кол менен тандоого көз карандылыкты азайтарын белгилешет. Ошондуктан булак терең үйрөнүү ыкмасын ийкемдүү FER чечими катары баалайт.

Бирок CNN так эмне себептен %75 алганын түшүндүргөн абляция эксперименти же архитектура салыштыруусу берилген эмес. Мисалы, batch normalization, pooling же фильтр санынын өз-өзүнчө таасири текшерилген эмес.

Иштөө көрсөткүчүн салыштырууда жетишпеген маалыматтар

FER моделинин иштөө көрсөткүчүн ишенимдүү салыштыруу үчүн тактык жалгыз өзү жетиштүү болбошу мүмкүн. Булакта төмөнкү маалыматтар билдирилбейт:

• Жалпы сүрөт же адам саны.
• Ар бир класстагы үлгүлөрдүн саны.
• Так колдонулган маалымат топтому.
• Окутуу/текшерүү/тест катыштары.
• Адамдан көз каранды эмес тест колдонулган-колдонулбаганы.
• Cross-validation ыкмасы.
• Random seed.
• Confusion matrix.
• Класс боюнча precision.
• Класс боюнча recall.
• F1-score.
• Ишеним аралыгы.
• Кайталанган эксперименттердин орточо мааниси жана стандарттык четтөөсү.

Ошондуктан %65 жана %75 маанилери булакта билдирилген жыйынтыктар катары сакталууга тийиш, бирок жогорку тактыктагы benchmark жыйынтыктары катары кеңейтилбеши керек.

Бет Мимикасынын Классы Адамдын Чыныгы Эмоциясын Так Көрсөтөбү?

Жок. Мындай FER моделдери бет сүрөтүн окутуу маалымат топтомунда аныкталган көрүнгөн мимика класстары боюнча классификациялайт; бул классификация адамдын чыныгы, ички же контексттик эмоционалдык абалын түз өлчөбөйт. Булак изилдөө да техникалык жактан сүрөт классификациясы ыкмасын иштеп чыгып, билдирилген %65 жана %75 маанилерин ушул классификация тапшырмасы аркылуу берет.

Бул айырма эмне үчүн маанилүү?

Бет кыймылы белгилүү бир маалымат топтомунда “anger” же “surprise” белгиси менен дал келтирилгени ар башка маданий, жеке же контексттик шарттарда ошол көрүнүш бир гана жана так психологиялык мааниге ээ экенин көрсөтпөйт. Ошондуктан FER системаларын баалоодо алгоритмдик класс божомолу менен адамдын чыныгы эмоционалдык абалы жөнүндө күчтүү тыянактарды аралаштырбоо керек.

Изилдөөнүн күчтүү жактары

• MATLABда башынан аягына чейинки FER иш агымын окутуучу түрдө көрсөтөт.
• Салттуу LBP + SVM ыкмасын CNN ыкмасы менен бир макаланын ичинде карайт.
• Алдын ала иштетүү, бетти табуу, белги чыгаруу жана классификацияны өзүнчө этаптар катары түшүндүрөт.
• MATLAB код мисалдары аркылуу негизги колдонмо компоненттерин көрүнүктүү кылат.
• Салттуу жана терең үйрөнүүгө негизделген ыкмалар үчүн түз тактык маанилерин билдирет.

Изилдөөнүн методологиялык чектөөлөрү

1. Системалуу обзор протоколу жок

Булак өзүн кеңири обзор деп атаса да, адабият маалымат базасын, издөө сурамын, даталар аралыгын, киргизүү/чыгаруу критерийлерин же изилдөөлөрдү тандоо агымын бербейт. Ошондуктан системалуу обзор методологиясы колдонулган деп айтууга болбойт.

2. Эксперименттик маалымат топтому такталбайт

CK+, JAFFE жана FER2013 ыкма бөлүмүндө мисал маалымат топтомдору катары тизмектелет; бирок %65 жана %75 жыйынтыктары кайсынысында алынганы көрсөтүлгөн эмес.

3. Алты класс-жети чыгыш дал келбестиги бар

Булак алты негизги эмоция классы жөнүндө айтса, CNN мисал коду жети чыгыштуу толук байланышкан катмарды колдонот.

4. AdaBoost-SVM ыкмаларынын байланышы түшүндүрүлбөйт

1-сүрөт AdaBoost негизиндеги MATLAB колдонмосун көрсөтөт; тексттин негизги классикалык ыкмасы болсо LBP + SVM. Бул эки ыкма бир эксперименттик түзүлүштө кандай байланышканы түшүндүрүлбөйт.

5. 3 жана 4-сүрөттөрдүн иретинде көрүнүктүү дал келбестик бар

“Before detection” аттуу сүрөттө натыйжа экраны көрүнсө, “after detection” аттуу сүрөт мурунку колдонуучу интерфейси абалына көбүрөөк окшош.

6. Математикалык формулировка толук эмес

SVM оптималдаштыруу маселеси жана LBP математикалык түзүлүшү аталыш катары айтылганы менен PDFде аларга тиешелүү көрүнүктүү теңдемелер берилген эмес.

7. Баалоо accuracy менен гана чектелген

Confusion matrix, precision, recall, F1 же класс боюнча иштөө көрсөткүчү берилбейт.

8. Кайра өндүрүлүү деталдары жетишсиз

Маалымат бөлүнүшү, маалымат көбөйтүү, үйрөнүү ылдамдыгы, batch өлчөмү, random seed жана колдонулган жабдык сыяктуу деталдар билдирилбегендиктен, жыйынтыктарды так кайталоо кыйын.

Изилдөө колдогон жыйынтыктар

• MATLAB колдонуп негизги FER pipeline курууга болот.
• Боз түскө өткөрүү, гистограмманы теңдөө жана бетти табуу алдын ала иштетүү кадамдары катары колдонулушу мүмкүн.
• LBP бет текстурасын көрсөтүү үчүн колдонулушу мүмкүн.
• SVM чыгарылган белгилер аркылуу мимика классификациясын жүргүзө алат.
• CNN белги чыгаруу менен классификацияны бир үйрөнүү системасында бириктире алат.
• Булакта LBP + SVM үчүн %65 жана CNN үчүн %75 тактык билдирилген.

Изилдөө колдобогон жыйынтыктар

• CNN бардык FER маалымат топтомдорунда %75 тактык камсыз кылаары көрсөтүлгөн эмес.
• CNN бардык салттуу ыкмалардан жалпы түрдө артык экени далилденген эмес.
• %10 тактык айырмасынын статистикалык маанилүүлүгү көрсөтүлгөн эмес.
• Реалдуу убакыттагы талаа колдонууда кечигүү же throughput өлчөмү берилген эмес.
• Маданияттар жана демографиялык топтор арасында жалпылануу бааланган эмес.
• FER класс божомолдору адамдын чыныгы ички эмоциясын так аныктай турганы көрсөтүлгөн эмес.

Булак жана Ыкма Жөнүндө Эскертүү

• Оригиналдуу аталышы: Facial expression recognition using MATLAB: A comprehensive review and optimization approach
• Автор 1: Borhan F Jumaa
• Автор 2: Aoznor Y Zainal
• Жооптуу автор: Borhan F Jumaa
• Булакта жазылган мекеме: Department of Computer Science, Kirkuk of University, Kirkuk, Iraq
• Журнал: International Journal of Computing and Artificial Intelligence
• Том: 7
• Сан: 1
• Бөлүм: Part B
• Беттер: 118–121
• Жыл: 2026
• DOI: 10.33545/27076571.2026.v7.i1b.251
• E-ISSN: 2707-658X
• P-ISSN: 2707-6571
• Келип түшкөн күнү: 15-11-2025
• Кабыл алынган күнү: 19-12-2025
• Басмакана: AkiNik Publications
• Булак түрү: Баяндоочу/окутуучу FER обзору жана MATLAB колдонмо ыкмасы
• Рецензия абалы: Журналдын расмий сайты басылманы peer-reviewed/refereed деп мүнөздөйт.
• Расмий шилтеме:https://doi.org/10.33545/27076571.2026.v7.i1b.251

Булак ичиндеги техникалык дал келбестик эскертүүсү

Булак алты мимика классын аныктаганына карабастан, CNN мисалында жети чыгыштуу акыркы катмарды колдонот. Мындан тышкары, AdaBoost интерфейс сүрөтү менен негизги SVM pipeline ортосундагы эксперименттик байланыш түшүндүрүлгөн эмес жана 3–4-сүрөттөрдүн аталыштары менен экран абалдарынын ортосунда көрүнүктүү ирет дал келбестиги бар. Бул пункттар булакта чечилбегендиктен Verianla тарабынан үнсүз оңдолгон эмес.

Кайра өндүрүлүү боюнча эскертүү

Булак айрым MATLAB буйруктарын, CNN катмарларын жана окутуу тандоолорун берет; бирок жыйынтыктарды толук кайра өндүрүү үчүн керектүү маалымат бөлүнүшү, үлгү саны, үйрөнүү ылдамдыгы, mini-batch өлчөмү, random seed, маалымат көбөйтүү жана жабдык маалыматтары жок. Ошондуктан %65 жана %75 тактык маанилери жарыяланган жыйынтыктар катары берилүүгө тийиш, бирок көз карандысыз текшерилген benchmark өлчөөлөрү катары көрсөтүлбөшү керек.

Илимий чечмелөө чеги

Изилдөө караган FER системасы бет сүрөттөрүн окутууда колдонулган белги категориялары боюнча классификациялаган компьютердик көрүү системасы. Бул изилдөө адамдын чыныгы психологиялык же эмоционалдык абалын бет сүрөтүнөн гана так аныктоого болорун көрсөтпөйт.