基于选择性集成的表情识别方法研究

发布时间：2017-09-12 13:41

  本文关键词：基于选择性集成的表情识别方法研究

  更多相关文章： 面部表情识别 选择性集成 带极值扰动的简化粒子群优化 半定规划 并行特征融合

【摘要】：近年来,随着人工智能的不断发展,人们越来越希望计算机能够拥有人类一样的智慧和情感。在基于单分类器的表情识别方法和基于集成的表情识别方法中,前者的识别率低下,后者的存储空间大,预测成本高,二者皆有缺陷。针对上述问题,将选择性集成与表情识别方法相结合,为表情识别技术带来了新的机遇与挑战。本文在传统表情识别方法的基础上利用选择性集思想展开了深入研究,并且重点研究了半定规划理论、基于带极值扰动的简化粒子群优化算法和基于并行特征融合和选择性集成的表情识别方法。首先,为了弥补传统表情识别方法的缺陷,提出一种基于带极值扰动的简化粒子群优化和选择性集成的表情识别方法。该方法利用Bagging算法及支持向量机得到多个基分类器,再将基分类器选择转化为半定规划模型,然后利用带极值扰动的简化粒子群优化算法求解,最后利用带权值的相对多数投票进行集成。试验结果表明,该方法相较于传统表情识别方法、基于传统集成表情识别方法及基于其他选择性集成的表情识别方法均提高了识别率。然后,在已提出基于带极值扰动的简化粒子群优化和选择性集成的表情识别方法基础上,提出一种基于两步降维的并行特征融合和选择性集成的表情识别方法。该方法将单特征提取及特征降维模块进行了改进,由原来的单特征提取变为两类面部表情特征提取,并在实数域内利用主成分分析法对其进行数据降维,其次又利用并行特征融合方法构造组合特征,而后采用基于带极值扰动的简化粒子群优化算法的选择性集成方法。最后,设计并开发了一套基于选择性集成的面部表情识别系统。该系统通过对面部表情图像进行特征提取及降维、基分类器训练、多分类器选择及集成对面部表情自动识别。经过实际测试验证,该系统能够对离线人脸面部表情进行有效识别。
【关键词】：面部表情识别 选择性集成 带极值扰动的简化粒子群优化 半定规划 并行特征融合
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP18
【目录】：

• 摘要4-5
• Abstract5-11
• 第1章 绪论11-19
• 1.1 研究背景及意义11
• 1.2 国内外研究现状11-15
• 1.2.1 面部表情识别的国内外研究现状11-12
• 1.2.2 选择性集成的国内外研究现状12-14
• 1.2.3 基于选择性集成的表情识别国内外研究现状14-15
• 1.3 论文主要工作15-16
• 1.4 论文的组织结构16-19
• 第2章 相关理论概述19-31
• 2.1 常用表情特征提取方法19-21
• 2.1.1 离散余弦变换19-20
• 2.1.2 Gabor小波变换20-21
• 2.1.3 局部二值模式21
• 2.2 选择性集成学习的基本概念21-25
• 2.3 差异性度量方法25-29
• 2.3.1 成对差异度量26-27
• 2.3.2 非成对差异性度量方法27-29
• 2.4 Bagging算法29-30
• 2.5 本章小结30-31
• 第3章 一种基于tsPSO和选择性集成的表情识别方法研究31-46
• 3.1 半定规划理论基础31-33
• 3.2 一种基于选择性集成的表情识别方法框架33-35
• 3.3 带极值扰动的简化粒子群优化算法35-38
• 3.4 基于带极值扰动的简化粒子群优化的选择性集成算法38-39
• 3.5 试验结果与分析39-45
• 3.5.1 实验设置39-40
• 3.5.2 与传统表情识别方法的对比实验40-42
• 3.5.3 与传统集成方法的对比实验42-43
• 3.5.4 与其他选择性集成方法的对比实验43-45
• 3.6 本章小结45-46
• 第4章 基于并行特征融合和选择性集成的表情识别方法研究46-54
• 4.1 基于特征融合表情识别方法46-48
• 4.2 基于酉空间的混合判别分析方法48-50
• 4.3 实验结果分析50-53
• 4.3.1 与单特征提取方法的对比实验50-51
• 4.3.2 与串行特征融合方法的对比实验51-52
• 4.3.3 组合系数影响对比实验52-53
• 4.4 本章小结53-54
• 第5章 基于选择性集成的表情识别系统设计54-59
• 5.1 系统框架设计54-55
• 5.2 系统详细设计55-56
• 5.2.1 图片预处理模块55-56
• 5.2.2 多特征融合模块56
• 5.2.3 选择性集成模型模块56
• 5.3 系统测试56-58
• 5.4 本章小结58-59
• 第6章 总结及展望59-61
• 6.1 总结59-60
• 6.2 下一步的工作60-61
• 参考文献61-67
• 致谢67-68
• 攻读硕士学位期间从事的科研工作及取得的成果68

【参考文献】

中国期刊全文数据库 前10条

1 毕凯;王晓丹;邢雅琼;;基于改进BPSO的聚类选择性集成[J];系统工程与电子技术;2016年03期

2 魏仕轩;王未央;;SVM和集成学习算法的改进和实现[J];计算机系统应用;2015年07期

3 杨勇;蔡舒博;;一种基于两步降维和并行特征融合的表情识别方法[J];重庆邮电大学学报(自然科学版);2015年03期

4 狄富强;张敏情;刘佳;张英男;;一种基于成对采样和选择性集成的隐写分析算法[J];光电子·激光;2015年04期

5 张晓琴;王婕婷;钱宇华;;一种基于加权kappa增益的有序分类的选择性集成算法[J];山西大学学报(自然科学版);2015年01期

6 吕锋;李翔;杜文霞;;基于MultiBoost的集成支持向量机分类方法及其应用[J];控制与决策;2015年01期

7 邵洁;董楠;;基于三维特征点模型的人脸表情识别算法[J];上海电力学院学报;2014年04期

8 邹文杰;王文静;杨付正;;参考中性表情的人脸表情识别[J];华南理工大学学报(自然科学版);2014年05期

9 毕凯;王晓丹;姚旭;周进登;;一种基于Bagging和混淆矩阵的自适应选择性集成[J];电子学报;2014年04期

10 姚旭;王晓丹;张玉玺;雷蕾;;基于AdaBoost和匹配追踪的选择性集成算法[J];控制与决策;2014年02期

，

本文编号：837571