基于概率图模型的表情分类方法研究

发布时间：2021-01-14 21:01

　　近年来,深度学习发展迅猛,在国内外都引起广泛关注。由于深度学习具有强大的学习能力,已经成功应用于多种模式分类问题中。在实际生活中,样本的特征维数经常会很高,而样本的获取总是存在困难,因此小样本问题是普遍存在的。研究如何在小规模的样本集提高学习算法的准确率具有重要意义。本文提出了基于概率图模型的分类方法。首先我们给出了聚合空间和特征空间的定义,证明聚合空间可表示对象集的边缘概率,特征空间可表示对象集的联合概率。运用概率图模型理论,将聚合空间和特征空间构造为结点集在聚合空间集和其自己的连接边上构造权重,通过学习训练样本,更新参数。实现网络的分类功能。为了验证本文方法的有效性,和在小样本集中分类的准确率,在15Scence和Caltech101图像数据集上进行验证试验。实验结果表明本文方法在小样本集上有较好的分类效果。其次,提出基于概率图模型的表情分类方法。在传统表情识别方法研究中,研究者多将整张面部表情图像作为特征信息,从而忽视了面部各区域之间的相互关系。基于此,本文提出了一种表情区域分割方法,将面部表情图像划分为5个面部区域,基于概率图模型的理论基础,构建5个表情分类子网络,建立Soft... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

人脸表情识别流程图

辽宁工程技术大学硕士学位论文7所有单个节点所对应的分布的乘积[31]。贝叶斯定理如下:（2.6）式中是已知后发生的条件概率。也由于得自的取值而被称作的后验概率。是已知后发生的条件概率。也由于得自的取值而被称作的后验概率。是的先验概率或边缘概率。是的先验概率或边缘概率。之所以称为”先验”是因为它不考虑任何B方面的因素。贝叶斯定理可表述为：后验概率=（相似度*先验概率）/标准化常量贝叶斯网络通过一个有向无环图来表示一组随机变量跟他们的条件依赖关系。每一个节点通过条件概率分布来参数化。如图2.1是一个简单的贝叶斯网络，其对应的全概率公式为：（2.7）图2.1贝叶斯网络示例Figure2.1IllustratingofBayesiannetwork2.1.3马尔科夫随机场马尔科夫随机场采用无向图来表达变量间的相互作用[32]。马尔可夫随机场是生成式模型，生成式模型最关心的是变量的联合概率分布。由于变量之间没有明确的因果关系，它的联合概率分布通常会表达为一系列势函数（potentialfunction）的乘积。如图2.2所示。图中的每个节点表示一个或一组变量，节点之间的边表示两个变量之间的依赖关系。马尔科夫随机场有一组势函数，是定义在变量子集上的非负实数，主要用于定义概率分布函数。()(|)(|)()PAPBAPABPBP(A|B)BABAP(A|B)ABABP(A)AP(B)BP(a,b,c)P(c|a,b)P(b|a)P(a)

辽宁工程技术大学硕士学位论文8图2.2马尔科夫随机场示例Figure2.2IllustratingofMarkovrandomfield对于图中节点的一个子集，若其中任意两节点间都右边链接，则称该节点子集为一个“团”。多个变量之间的联合概率分布能基于团分解为多个因子的乘积，每个因子仅与一个团相关。即对于个变量，所有团构成一个集合，称这个集合为，与团对应的的集合记为，则联合概率定义为：（2.8）其中为团对应的势函数，用于对团中的变量关系进行建模，为规范化因子，以确保是被正确定义的概率。2.1.4概率图模型的分类概率图模型的分类原理如下：给出一个对象集，求该对象集出现的情况属于每个类别的概率，发生概率最大的类别即为该对象的所属类别。概率图模型的分类思想用数学语言表示如下：1）假设12(,,,)nXxxxC是一个对象集，它可能所属的类别集为12(,,,)mYyyyC；2）计算该对象在类别集上的概率分布为12(|),(|),,(|)mPyXPyXPyXμ；3）找出概率分布中概率值最大的一项，即计算12(|)max{(|),(|),,(|)}jmPyXPyXPyXPyX（2.9）其中j[1,m]，jy就是对象集所属类别。概率图模型分类的关键技术在于步骤2）中的概率分布，如何计算该概率分布即为本文研究重点。2.2参数训练概率图模型的应用需要解决结构学习、参数学习和概率推理三个问题[27]。结构学习是n12{,,,}nxxxxCQCQxP(x)1()()QQQCPxxZQQQ()QQxQCZxP(x)


本文编号：2977541