【正文】 情識別 基于幾何特征的面包表情識別 ? 面部特征點 ? 幾何特征向量的形成 ? 識別流程 ? 實驗結(jié)果 面部特征點 幾何特征的形成 25,11td ?8,22 td ? 7,33 td ? 6,44 td ?22,2020 td ?213,95 td ?16,106 td ? 15,117 td ? 14,128d t?221,179 td ? 24,1810 td ? 23,1911 td ? 22,2020 td ????121iiiiddx基于幾何特征的面部表情識別流程 24個面部特征點 . 12個測量距離 ,對測量距離按上面的公式進行歸一化處理得到 12維局部特征 。 ? 人臉面部表情識別包含大量的變量 , 反映待識別目標各要素的非度量形式允許許多類型的表示技術(shù) , 每一種技術(shù)又可以采用不同的方法進行計算。國內(nèi)外很多機構(gòu)都在進行這方面的研究 ,尤其美國、日本。 通常的表示方式包括幾何特征 、 代數(shù)特征 、 固定特征模板 、 云紋圖 、3D網(wǎng)格等 。根據(jù)各神經(jīng)元的（De lt a) 對隱含層的權(quán)重進行更新訓練集中所有樣本是否學習完畢訓練結(jié)束否停機0?Em inEE ?是 否是是否否網(wǎng)絡(luò)級聯(lián)的面部表情識別的實驗結(jié)果 在兩個數(shù)據(jù)庫上進行實驗，從耶魯大學的Yale Face 數(shù)據(jù)庫中選取 60幅人臉圖像，共15個人， 4幅 /人，其中訓練樣本 56幅， 14個人， 4幅 /人，測試樣本為剩下的 4幅圖像， 1個人， 4/人，通過隨機變換訓練樣本和測試樣本，我們重復(fù) 15次這樣的實驗。 變換后的新的向量 ,由下式線性變換定義 : 總離散度矩陣 : 其中 是所有樣本的平均值 ， 經(jīng)過線性變換得到的新的特征向量 的離散度是 。 ? ?Nxx ,...1 ? ?c?? ,...1 iNNix i ,2,1, ?????ikxkii xN ??1???? NkkkxN11?? ?? ????? ??? ?? iiCi iBNS1面部表情識別流程 。 然后選取其中一 部分構(gòu)造特征子空間 。 設(shè)訓練樣本集共有 N 個訓練樣本 ,分為 c類 , 每一類的均值為 ： 總均值為： 第 i 類樣本的離散度矩陣為 : ? ?Nxx ,...1 ? ?c?? ,...1???ikxkii xN?? 1???? Nkkkx1?? ?? ?ikxiki xxSik?????? ??總類內(nèi)離散度矩陣： 類間離散度矩陣 : 離散度矩陣： 求下列兩兩正交的矩陣： 是 SB與 SW的廣義特征值相對應(yīng)的廣義特征向量 ， 即： 由于最多只有 c1個非零廣義特征值，因此 m的最大值為 c1 ? ?? ?????? ??? ??iiCiiBS1BwT SSS ??],...[m axa r g 1 mWTBTopt wwWSWWSWW ??miwSwS iwiiB ,...1, ?? ????? Ciiiw SS1Fisher線性判別的改進： T＋ PCA+FLD T：指的是離散度矩陣的替換 。WS BSWS39。 2. 讀入人臉庫 。 首先把特征值從大到小進行排序 ， 同時 ，其對應(yīng)的特征向量的順序也作相應(yīng)的調(diào)整 。得到表征面部表情的特征向量。 ? ? ? ? ? ?? ?ll yxyxyx , 2211 ? di Rx ? ? ?1,1 ???iyli ,2,1 ??0??? bxw先對參數(shù)和施加約束條件 : 對于全體訓練樣本 ,則下列不等式成立 最優(yōu)超平面使得下式取得最小的超平面 通過對上式的優(yōu)化問題求解 ， 可得一組解 , 并且該解滿足 下列各式 : 只有支持向量的系數(shù)才可能為非零值 ， 所以可以表示為： 并且 ， 對于任意的支持向量 ， 都有： H1H2 最優(yōu)超平面1m i n ,2,1 ???? bxw ili ?? ? 1??? bxwy iili ,2,1 ??? ? 221 ww ??? ??,bwliy iilii ,2,1,0,01????????iito r sS u p p o r tV e ci xyw ?? ?ii xwyb ???基于基于 SVM的多特征多分類器融合的面部表情識別 ?基于 SVM信息融合的面部表情識別結(jié)構(gòu) ?支持向量機和最優(yōu)超平面 ?SVM融合原理 ?SVM融合函數(shù)以及融合模型 ?幾種常用的核函數(shù) ?基于 SVM信息融合的面部表情識別流程 ?實驗結(jié)果 SVM融合原理 假設(shè)有個分類器 ， 若已經(jīng)取得個決策樣本值以及實際的決策值： 其中 表示對于第 i個輸入樣本圖像 ， 這 n個分類器作出的決策矢量 , 是對應(yīng)第輸入樣本圖像的標簽 .要求能根據(jù)這組樣本值 ， 找到一個適當?shù)娜诤虾瘮?shù) ， 使得對于確定的損失函數(shù) 具有最小的期望風險 ,從信息變換的角度來看 ， 多分類器起到把輸入的人臉圖像映射到?jīng)Q策空間的作用 。 Yale Face數(shù)據(jù)庫 上的實驗結(jié)果 表情類型 分類器 1 分類器 2 分類器 3 分類器 4 SVM信息融合 Happy % % % 80% % Normal % % % 80% 80% Sad 60% 60% % % % Surprised 80% % 80% % % 日本女性表情數(shù)據(jù)庫上的實驗結(jié)果 表情類型 分類器 1 分類器 2 分類器 3 分類器 4 SVM信息融合 Happy % % 80% % % Normal % 70% % 80% % Sad 70% % % % 80% Surprised 80% 80% % % 90%