【技术实现步骤摘要】
一种基于AdaBoost-KNN的动态人脸情感识别方法
本专利技术涉及模式识别
，尤其涉及一种基于AdaBoost-KNN的动态人脸情感识别方法。
技术介绍
随着人机交互、情感计算等理论与技术的高速发展，人们普遍希望机器人具有识别、理解和生成人类情感的能力，从而实现和谐、友好、顺畅的人机交流。由于人类情感的多样性与相应行为之间的复杂性，当前的人机交互仍面临着关于情感计算(包括识别、理解和表达情感的情感计算能力)领域的一些难题。研究基于人脸表情、语音、手势、生理信号等信息的情感识别等已成为人机交互中的重点。人脸表情识别是情感计算领域的关键技术，将人脸表情识别嵌入人机交互系统，可使机器更好地理解人类情感，建立人性化的交互模式，将会在客户体验、智能驾驶、远程教育等领域获得广泛应用。人脸情感识别由人脸检测与定位、情感特征提取、人脸情感分类三部分组成。其中，人脸情感特征提取与人脸情感分类算法是人脸表情算法的关键，动态的人脸情感特征提取是研究中的难点。然而己有的一些机器学习算法对人脸表情特征进行训练与识别的过程中往往容易忽略情感特征变化的动态信息，缺少随时间序列计算的能...
【技术保护点】
1.一种基于AdaBoost‑KNN的动态人脸情感识别方法，其特征在于：包括以下步骤：S1：采用Candide‑3模型对动态人脸进行定位追踪，并提取追踪到的表情的多个情感特征点；该多个情感特征点组成一个训练子样本，所有训练子样本构成训练样本；S2：基于AdaBoost‑KNN算法，建立AdaBoost‑KNN分类器，所述AdaBoost‑KNN分类器由M个KNN分类器进行加权组合构成；其中，M为大于1的正整数；首先，以所述训练样本训练所述M个KNN分类器，得到每个KNN分类器的权重系数；然后，根据得到的每个KNN分类器的权重系数，采用交叉验证的方法，得到更新后的每个KNN分...
【技术特征摘要】
1.一种基于AdaBoost-KNN的动态人脸情感识别方法，其特征在于：包括以下步骤：S1：采用Candide-3模型对动态人脸进行定位追踪，并提取追踪到的表情的多个情感特征点；该多个情感特征点组成一个训练子样本，所有训练子样本构成训练样本；S2：基于AdaBoost-KNN算法，建立AdaBoost-KNN分类器，所述AdaBoost-KNN分类器由M个KNN分类器进行加权组合构成；其中，M为大于1的正整数；首先，以所述训练样本训练所述M个KNN分类器，得到每个KNN分类器的权重系数；然后，根据得到的每个KNN分类器的权重系数，采用交叉验证的方法，得到更新后的每个KNN分类器的权重系数，确定出所述AdaBoost-KNN分类器的人脸情感类别阈值及每个KNN分类器的K值，得到最终的AdaBoost-KNN分类器；其中，所述人脸情感类别类别阈值由公式计算得到；其中，αP为每个KNN分类器的权重系数，P为正整数，1≤P≤M；n(i)表示人脸情感类别标签，i表示第i个训练子样本，1<＝i<＝N，N为训练子样本的数量；K值为每个KNN分类器的固有参数，K>0，K值的取值决定了KNN分类器的识别率；S3：将待识别样本输入到最终的AdaBoost-KNN分类器，对动态人脸情感类别进行识别；所述待识别样本为实际追踪到的动态人脸表情对应的情感特征点。2.如权利要求1所述的基于AdaBoost-KNN的动态人脸情感识别方法，其特征在于：步骤S1中，所述Candide-3模型是由多个点和多个面片组成的一个参数化的模型，用于追踪和提取动态人脸情感的特征点；该模型如公式(1)所示：g＝SR(g0+AT+ST)+t(1)其中，S为放大系数，R为旋转矩阵，g0为标准模型，A和S分别代表运动单元和形状单元，T为对应的变化参数，t为转换向量。3.如权利要求1所述的基于AdaBoost-KNN的动态人脸情感识别方法，其特征在于：步骤S2中，确定所述AdaBoost-KNN分类器中每个KNN分类器的权重系数的过程如下：1)初始化训练样本{(X(1),n(1)),...,(X(i),n(i)),...,(X(N),n(N))}，使训练样本中的每一个训练子样本都具有相同的权重；其中，X(i)表示一个训练子样本，i表示第i个训练子样本，N为训练子样本的数量，1<＝i<＝N；n(i)表示训练子样本X(i)所属人脸情感类别的标签，...
【专利技术属性】
技术研发人员：陈略峰，吴敏，李敏，苏婉娟，王亚午，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。