基于信息融合的面部表情分析與識(shí)別-在線瀏覽
2024-12-02 10:42本頁面
【正文】 80% 基于單特征單分類器的面部表情識(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 基于幾何特征的面包表情識(shí)別 ? 面部特征點(diǎn) ? 幾何特征向量的形成 ? 識(shí)別流程 ? 實(shí)驗(yàn)結(jié)果 面部特征點(diǎn) 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(shí)別流程 24個(gè)面部特征點(diǎn) . 12個(gè)測(cè)量距離 ,對(duì)測(cè)量距離按上面的公式進(jìn)行歸一化處理得到 12維局部特征 。 ，確定待識(shí)別的樣本 的所屬類別。 用表示列向量正交的矩陣 。PCA 選擇最優(yōu)的投影變換 : 是按照降序排列的前 個(gè)特征值對(duì)應(yīng)的特征向量 ， 這種變換變化就稱為主元分析 。 ? ?Nxxx ,..., 21n Nc ? ?cXXX ,..., 21 nm), . . . ,2,1( NkxWy kTk ??? ?? ?TkNkkT xxS ?? ??? ?? 1??? NkkxN11?? ?Nyyy ,..., 21 WSW TToptWoptW? ?mTTo pt WSWW ??? ,..,m a xa r g 21??? ?mii ,. .. ,2,1?? m主元分析的改進(jìn)：均值主元分析 傳統(tǒng)的主元分析的產(chǎn)生矩陣是協(xié)方差矩陣 ,也叫總體離散布矩陣 , 總體離散布矩陣是有兩部分組成 : 類間離散布矩陣和類內(nèi)離散布矩陣 ， 而改進(jìn)算法只考慮類間離散度矩陣 。 每一類的均值為： 總均值為： 類間離散度矩陣 ： 相對(duì)于傳統(tǒng)的主元分析 , 其基本區(qū)別是以每一類的平均值代替類內(nèi)的具體圖像 , 我們稱為 MPCA 。 關(guān)于這一點(diǎn)我們將在后面的實(shí)驗(yàn)中加以說明 ， 用每一類的平均值代替類內(nèi)的具體圖像的另一個(gè)明顯的好處就是訓(xùn)練時(shí)間明顯降低 。 主要包括幾何歸一化和灰度歸一化 。 讀入每一個(gè)二維的人臉圖像數(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 ，假定圖像的大小是 w*h（ w和 h分別維圖像的寬度和高度 ） ， 用于訓(xùn)練的人臉個(gè)數(shù)是 n1， 測(cè)試的圖像個(gè)數(shù)是 n2， 令 m=w*h， 則訓(xùn)練集 m*n1是一個(gè)的矩陣 ，測(cè)試集是 m*n2的矩陣 。 為 KL變換生成矩陣 ， 進(jìn)行 KL變換 。 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 。 特征向量具體選取多少 ， 本文采取實(shí)驗(yàn)的方法進(jìn)行確定 。 每一幅人臉圖像投影到特征子空間以后 ， 就對(duì)應(yīng)于子空間中的一個(gè)點(diǎn) 。 ， 確定待識(shí)別的樣本 的所屬類別 。 ? ?Timiii xxxx , 21 ??cii ,2,1, ??? ? BSBS ??實(shí)驗(yàn)結(jié)果 Yale Face數(shù)據(jù)庫(kù) MPCA和 PCA比較 日本女性表情數(shù)據(jù)庫(kù) 表情類型 PCA識(shí)別結(jié)果 MPCA識(shí)別結(jié)果 Happy % % Normal % % Sad 60% % Surprised % 80% 比較項(xiàng)目 MPCA PCA 主元數(shù)目 38 42 訓(xùn)練時(shí)間 表情類型 PCA識(shí)別結(jié)果 MPCA識(shí)別結(jié)果 Happy % 80% Normal % % Sad 70% % Surprised 80% % 基于單特征單分類器的面部表情識(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 Fisher線性判別的面部表情識(shí)別 ?Fisher 線性判別 ?Fisher線性判別的改進(jìn)： T＋ PCA+FLD ?基于 Fisher線性判別的面部表情識(shí)別流程 ?實(shí)驗(yàn)結(jié)果 Fisher 線性判別 Fisher 線性判別 ( Fisher’s Linear Discriminant : FLD )是基于樣本的類別進(jìn)行整體特征提取的有效方法 , FLD則在 PCA基礎(chǔ)上的改進(jìn)，目標(biāo)在于，試圖建立一個(gè)更小的維數(shù)的、只包含最基本元素的空間，它試圖最大化類間分布 ,而最小化類內(nèi)分布 , 換句話說 , 對(duì)于人臉面部表情識(shí)別 FLD 移動(dòng)同一類的人臉圖像更近 , 而不同類的人臉圖像移的越遠(yuǎn) 。 利用矩陣分塊技術(shù) ,令 在矩陣 是對(duì)稱矩陣的條件下 ,分別用 和 來代替 和 后并不影響 Fisher準(zhǔn)則函數(shù)的取值 ， 然而 和 均為分塊對(duì)角矩陣 , 這樣替換后 , 計(jì)算量將大幅度下降 。221139。39。BS39。BS 39。可以通過 PCA 將特征空間降為 Nc維 ,然后通過標(biāo)準(zhǔn)的 FLD 將維數(shù)降為 c1。39。 主要包括幾何歸一化和灰度歸一化 。 讀入每一個(gè)二維的人臉圖像數(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 ， 假定圖像的大小是 w*h （ w和 h分別維圖像的寬度和高度 ） ， 用于訓(xùn)練的人臉個(gè)數(shù)是 ，n1測(cè)試的圖像個(gè)數(shù)是 n2， 令 m=w*h， 則訓(xùn)練集是一個(gè) m*n1的矩陣 ， 測(cè)試集是 m*n2的矩陣 。 ,得到 和 的替換矩陣 和 。 ? ?Timiii xxxx , 21 ??39。WSBS?BSWS 的特征值和特征向量 ， 構(gòu)造特征子空間 。 然后選取其中一部分構(gòu)造特征子空間 。 在 JAFFE上我們用 mNc=76維特征向量構(gòu)造特征子空間 ， 其中 N為訓(xùn)練樣本數(shù)目 ， c為類別數(shù) 。 每一幅人臉圖像投影到特征子空間以后 ， 就對(duì)應(yīng)于子空間中的一個(gè)點(diǎn) 。 替換矩陣 和 替換 和 進(jìn)行 FLD。 . ?39。WS BSWS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) 表情類型 實(shí)驗(yàn)結(jié)果 Happy 80% Normal 80% Sad % Surprised % 表情類型 識(shí)別結(jié)果 Happy % Normal 80% Sa
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1