基于优化支持向量机的人脸表情分类

分析了支持向量机(support vector machine,SVM)目前主要存在的问题和参数选择对分类性能的影响后,提出了以改进粒子群算法优化SVM关键参数的优化SVM算法。将加入拥挤度因子的微粒群算法引入到SVM中,在不牺牲泛化性能的前提下,对其参数进行优化,增加了SVM初始化参数的多样性,减慢了局部搜索,促进其在全局范围内的寻优搜索,以有效克服SVM算法过分依赖初始值和容易陷入局部极小值的缺点,并利用由粗到精的策略构造多层SVM人脸表情分类器,在提高准确率的基础上加快分类的速度。实验证明,新算法具有速度快、准确率高的优点。

一种人脸表情分类的新方法——Manhattan距离

提出了一种利用Manhattan距离进行人脸表情分类的新方法。Manhattan距离计算出具有不同模式的两个对象的距离更大。在实验中,比较了Manhattan距离、欧氏距离、余弦距离在人脸表情分类中的性能,得出Manhattan距离比另外两类距离有着更好的识别效果。

基于统计学习的人脸表情分类

人脸表情分类是一个跨学科富有挑战性的前沿课题。采用主动外观模型(AAM)提取人脸表情特征,建立统计线性的外观模型。建模时分三步:外形建模,纹理建模和外观建模。在纹理建模中针对光照不均的情况,采用直方图均衡化的方法代替原来的迭代法,即缩小了光照偏差又提高了运算速度。分类器的设计对分类效果十分重要,根据样本训练集的概率统计特点设计了一类简单的表情分类器。最后用该方法对Yale人脸库中的表情分类进行实验,实验结果表明:该算法简单易行,运行速度比较快,具有一定的可行性。

人脸表情的实时分类

提出一种基于连续Adaboost算法的人脸表情实时分类方法.使用Haar特征设计了具有连续致信度输出的查找表型弱分类器形式,构造出弱分类器空间,采用连续Adaboost算法学习出人脸表情分类器.实验结果表明:文中方法与支持向量机方法相比,对于人脸表情分类的正确率相当,而速度快近300倍,具有实时性和非常明显的应用价值.

基于CMAC神经网络的人脸表情识别

针对BP等全局性神经网络收敛速度慢和局部极小的存在,用于人脸表情分类时,不仅实时性难以达到要求,而且识别精度也存在不确定性。为提高速度,加快收敛,提出一种基于局部性CMAC(Cerebellar Model Articulation Controller)神经网络的人脸表情识别方法。先对样本图像进行预处理,提取感兴趣的脸部区域,通过K-L(Karhunen-Loeve)变换对处理后的图像提取眼、嘴和鼻等重要特征点的位置和局部几何形状作为识别特征得到感兴趣的表情区域。最后将待测表情与标准表情的欧氏距离作为CMAC神经网络的输入,表情类型作为网络输出,对人脸7种典型表情进行识别。实验结果表明,基于CMAC的方法能有效地识别人脸表情,而且算法简单,学习速度快,可用于需要实时分析人脸表情的场合。