4 实验结果 本文选用JAFFE[4]200-201日本成年女性人脸表情数据库进行实验, 分别采用AdaBoost及TMI取值为0.2的MutualBoost算法进行特征选择, 最后用SVM进行分类识别。 实验结果表明,在选出特征向量维数同为200维的
4 实验结果
本文选用JAFFE[4]200-201日本成年女性人脸表情数据库进行实验, 分别采用AdaBoost及TMI取值为0.2的MutualBoost算法进行特征选择, 最后用SVM进行分类识别。 实验结果表明,在选出特征向量维数同为200维的情况下,采用AdaBoost算法的识别率为92.38%, 而MutualBoost算法的识别率则为96.01%, MutualBoost算法的识别效果明显优于AdaBoost算法。 接着在不同维数下对AdaBoost算法与MutualBoost算法进行比较, 结果表明在特征向量维数相同的情况下, MutualBoost算法的识别效果仍然优于AdaBoost算法(见图5)。
特征维数
1. 原算法;2. 改进算法
图5 不同特征维数对应的识别率
5 结论及展望
本文提出了一种FER方法,利用Gabor特征组成特征向量,并用MutualBoost算法选择出最重要的特征,然后将SVM进行分类。实验表明,该方法具有很好的识别效果,最高达到了97.58%的识别率,高于普通的AdaBoost方法。
由于人脸不同部位的局部特征对表情识别的贡献是不同的,而本文只采南粤论文中心(WWW.NYLW.NET)用了规则分布的特征点进行特征提取,不能保证这些点都落在对表情识别有利的特征位置上。因此,如何自动利用对识别贡献最大的人脸部位的特征点来表示人脸是下一步的研究方向。
参考文献:
[1] BOUREL F,CHIBELUSHI C C,Low A A.Robust facial expression recognition using a state-based model of spatially-localised facial dynamics[C]∥Fifth IEEE International Conference on Automatic Face and Gesture Recognition.2002:106-111.
[2] MA L,KHORASANI K. Facial expression recognition using constructive feedforward neural networks[J]. IEEE Transactions on Systems,Man and Cybernetics,Part B,2004,34(3):1 588-1 595.[3] 左坤隆,刘文耀.基于活动外观模型的人脸表情分析与识别[J].光电子·激光,2004,15(7):853-857.[4] LYONS M,AKAMATSU S,KAMACHI M,et al. Coding facial expressions with Gabor wavelets[C]∥ Third IEEE Conference on Face and Gesture Recognition,1998:200-205.
[5] LEE T. Image representation using 2-D Gabor wavelets[J]. IEEE Trans Pattern Analysis and Machine Intelligence, 1996, 18(10):959-971.
[6] 朱健翔,苏光大,李迎春.结合Gabor特征与Adaboost的人脸表情识别[J].光电子·激光,2006,17(7):993-998.
[7] PAUL VIOLA,MICHAEL JONES. Robust rea1-time face dete [J] .International Journal of Computer Vision,2004,57(2):137-154.
[8] L SHEN,L BAI.MutualBoost learning for selecting Gabor features for face recognition.PRL.2006,27(15):1 758-1 767.
[9] VAPNIK V.Statistical Learning Theory[M].New York:John Wiley & Sons Inc, 1998:80-150.(责任编辑：南欧)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）
顶一下
(0)
0%
踩一下
(0)
0%
版权声明：因本文均来自于网络，如果有版权方面侵犯,请及时联系本站删除.
