基于信息融合的面部表情分析與識(shí)別-文庫(kù)吧資料
2024-10-07 10:42本頁(yè)面
【正文】 。 本課題應(yīng)用支持向量機(jī)來(lái)探索多特征多分類(lèi)器融合的面情識(shí)別問(wèn)題 ,即從有限的訓(xùn)練樣本中提取融合規(guī)則 ,使得該規(guī)則對(duì)于獨(dú)立的測(cè)試樣本具有較小的誤差 。為了提高識(shí)別系統(tǒng)的識(shí)別率和識(shí)別系統(tǒng)的魯棒性，充分的利用人臉的圖像的各種信息，我們對(duì)預(yù)前處理后的人臉圖像提取局部表情特征和整體表情特征，然后對(duì)不同的類(lèi)型的特征采用不同的分類(lèi)器對(duì)人臉表情進(jìn)行初步的分類(lèi)，最后構(gòu)造一個(gè) 3階多項(xiàng)式的支持向量機(jī)來(lái)對(duì)多個(gè)分類(lèi)器的輸出進(jìn)行信息融合，以便到達(dá)人臉表情識(shí)別的目的。BS 39。得到表征面部表情的特征向量。 同樣 ， 子空間中的任一點(diǎn)也對(duì)應(yīng)于一幅圖像 。 征子空間中 。 在耶魯大學(xué) Yale face數(shù)據(jù)庫(kù)上我們用 m=Nc=52維特征向量構(gòu)造特征子空間 。 首先把特征值從大到小進(jìn)行排序 ， 同時(shí) ，其對(duì)應(yīng)的特征向量的順序也作相應(yīng)的調(diào)整 。BS 39。 為 KL變換生成矩陣 ， 進(jìn)行 KL變換 。 第 i幅人臉可以表示為： 、總均值和類(lèi)間離散度矩陣，同時(shí)求類(lèi)內(nèi)離散度矩陣 和總離散度矩陣。 2. 讀入人臉庫(kù) 。m a xa r g?kfldk ZWy ?基于 Fisher線性判別的面部表情識(shí)別流程 。通過(guò) PCA將人臉圖像投影到 Nc維特征空間： 通過(guò)標(biāo)準(zhǔn)的 FLD將維數(shù)降為 c1： WSWW TTpc a m a xa r g? kTp c ak xWZ ?WWSWWWWSWWWp c aWTp c aTp c aBTp c aTfld 39。WS PCA+FLD策略，將訓(xùn)練樣本的人臉圖像向量投影到一個(gè)較低維的空間以至于類(lèi)內(nèi)分布矩陣為非奇異的。WS BSWS39。??? ?1212 WB SS ?? 39。00,00WWWBBB SSSSSS WSW WSWWTBT39。 ?????????22211211BBBBB SSSSS?????????22211211WWWWW SSSSS ?????????21WWW???????????????????? 221139。 設(shè)訓(xùn)練樣本集共有 N 個(gè)訓(xùn)練樣本 ,分為 c類(lèi) , 每一類(lèi)的均值為 ： 總均值為： 第 i 類(lèi)樣本的離散度矩陣為 : ? ?Nxx ,...1 ? ?c?? ,...1???ikxkii xN?? 1???? Nkkkx1?? ?? ?ikxiki xxSik?????? ??總類(lèi)內(nèi)離散度矩陣： 類(lèi)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(duì)應(yīng)的廣義特征向量 ， 即： 由于最多只有 c1個(gè)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(jìn)： T＋ PCA+FLD T：指的是離散度矩陣的替換 。 本文采用最近鄰距離分類(lèi)器進(jìn)行識(shí)別 。 同樣 ， 子空間中的任一點(diǎn)也對(duì)應(yīng) 于一幅圖像 。 。 然后選取其中一 部分構(gòu)造特征子空間 。 的特征值和特征向量 ， 構(gòu)造特征子空間 。 第幅人臉可以表示為： 、 總均值 和類(lèi)間離散度矩陣 。 。 ? ?Nxx ,...1 ? ?c?? ,...1 iNNix i ,2,1, ?????ikxkii xN ??1???? NkkkxN11?? ?? ????? ??? ?? iiCi iBNS1面部表情識(shí)別流程 。 由于每一類(lèi)平均值是類(lèi)內(nèi)圖像的一個(gè)線性疊加 ,因此每一類(lèi)的平均值必然保留了相當(dāng)?shù)母骶唧w圖像的變化特征 ,換句話說(shuō) ,對(duì)各圖像的變化特征進(jìn)行了一定程度的壓縮處理 ， 而且保留的特征更有利于表情模式的識(shí)別 。 設(shè)訓(xùn)練樣本集共有 N 個(gè)訓(xùn)練樣本 ,分為 c 類(lèi) , 為第 i樣本的數(shù)目 , 其中 是表示第個(gè)人臉圖像的列向量 。 由所組成的空間就是面部表情特征空間 。 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(guò)線性變換得到的新的特征向量 的離散度是 。本文采用最近距離分類(lèi)器進(jìn)行識(shí)別 ??X? ?GFGFGF xxx 1221 , ?? ?GFGFGF xxx 1221 , ?? ?GFGFGF xxx 1221 , ?? ?GFGFGF xxx 1221 , ??兩個(gè)數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果 Yale Face 數(shù)據(jù)庫(kù) 日本女性表情數(shù)據(jù)庫(kù) 表情類(lèi)型 實(shí)驗(yàn)結(jié)果 Happy % Normal % Sad 60% Surprised % 表情類(lèi)型 識(shí)別結(jié)果 Happy % Normal 70% Sad % Surprised 80% 基于單特征單分類(lèi)器的面部表情識(shí)別 ?基于神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)的面部表情識(shí)別 ?基于幾何特征的面部表情識(shí)別 ?基于均值主元分析的面部表情識(shí)別 ?基于 Fisher線性判別的面部表情識(shí)別 基于均值主元分析的面部表情識(shí)別 ?主元分析 ?主元分析的改進(jìn)：均值主元分析 ?面部表情識(shí)別流程 ?實(shí)驗(yàn)結(jié)果 主元分析 考慮 維圖像空間的 個(gè)人臉圖像 , 每個(gè)樣本屬于 類(lèi) 中的一類(lèi) , 考慮將 維特征空間投影到 維特征空間的線性變換 。 讀入每一個(gè)人臉圖像幾何特征數(shù)據(jù)并轉(zhuǎn)化為一維的向量 ， 對(duì)于一個(gè)表情的人臉圖像 ， 選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集 ， 其余的構(gòu)成測(cè)試集 。通過(guò)隨機(jī)變換訓(xùn)練樣本和測(cè)試樣本，我們重復(fù) 10次這樣的實(shí)驗(yàn)。根據(jù)各神經(jīng)元的（De lt a) 對(duì)隱含層的權(quán)重進(jìn)行更新訓(xùn)練集中所有樣本是否學(xué)習(xí)完畢訓(xùn)練結(jié)束否停機(jī)0?Em inEE ?是 否是是否否網(wǎng)絡(luò)級(jí)聯(lián)的面部表情識(shí)別的實(shí)驗(yàn)結(jié)果 在兩個(gè)數(shù)據(jù)庫(kù)上進(jìn)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1