基于选择性集成分类器的面部表情识别研究

发布时间：2019-08-08 10:55

【摘要】：为了提高面部表情的分类识别性能,基于集成学习理论,提出了一种二次优化选择性(quadratic optimization choice,QOC)集成分类模型。首先,对于九个基分类器,依据性能进行排序,选择前30%的基分类器作为集成模型的候选基分类器;其次,依据组合规则产生集成模型簇;最后,对集成模型簇进行二次优化选择,选择具有最小泛化误差的集成分类器的子集,从而确定最优集成分类模型。为了验证QOC集成分类模型的性能,选择采用最大值、最小值和均值规则的集成模型作为对比模型。实验结果表明,相对基分类器,QOC集成分类模型取得了较好的分类效果,尤其是对于识别率较差的悲伤表情类,平均识别率提升了21.11%;相对于非选择性集成模型,QOC集成分类模型识别性能也有显著提高。
【图文】：

基于选择性集成分类器的面部表情识别研究,贾澎涛;《计算机应用研究》;2017年12期

~&u，v=kv(cosφu，sinφu)T为滤波器的中心频率;kv=2－v+22π，φu=uπK表示滤波器的方向性;K为总方向数;u、v分别为方向和尺度;z(x，y)为方向矢量。得到不同方向、不同尺度下的滤波器后，则2D-Gabor变换后图像I(z)的特征集合为T=Gu，v(z)=∫7u=0∫4v=0I(z)*ψu，v(z)(1)其中:*表示卷积操作，Gu，v(z)表示在方向u尺度v上的卷积结果，即为图像的特征。例如:图1显示了8个方向、5个尺度、共40个不同的滤波器对图像进行特征提取的结果。图140个滤波器滤波的图像特征提取2二次优化选择集成分类模型2．1集成分类模型假定有M个待集成的基分类器Ci(i=1，2，…，M)，每个基分类器的预测类标签结果为Ci(n)，n为数据集中的样本数。记集成分类器模型为)C(n)，则有)C(n)=f(C1(n)，C2(n)，…，CM(n)，，α1，α2，…，αM)(2)其中:αi是Ci(n)的权重，且满足∑Mi=1αi=1，f为集成规则。2．2基分类器为了确定QOC集成模型中的基分类器，选择九个常用的分类器作为二次优化选择集成分类模型的候选基分类器:随机森林(randomforest，ＲF)、K近邻(K-nearestneighbor，KNN)、朴素贝叶斯分类器(naiveBayes，NB)、支持向量机(supportverctormachine，SVM)、线性判别分析(lineardiscriminantanalysis，LDA)、伪线性判别分析(pseudolineardiscriminantanalysis，PDA)、判定线性判别分析(diagLineardiscriminantanalysis，DDA)、Fisher判别分析(Fisherdiscriminantanalysis，FDA)和决策树(decisiontree，DT)分类器。2．3QOC的选择策略采用何种选择策略确定集成分类器C^i(i=1，2，…，M)是选择性?
【作者单位】：西安科技大学计算机科学与技术学院;西安恩坦仪器股份有限公司;
【基金】：西安市科学计划资助项目(2017079CG/RC042(XAKD001))
【分类号】：TP391.41

【相似文献】