一种基于分类器选择性集成的表情识别方法技术

本发明专利技术提供了一种基于分类器选择性集成的表情识别方法，包括如下步骤：①生成分类器池；②个体学习器能力评估；③分类器序列选择；④决策层融合。本发明专利技术对个体学习器预测准确率和不同个体学习器间之间的差异性进行能力评估，作为选择性集成算法对个体学习器能力的评判标准；可根据对验证样本评判的具体情况选择出分类效果较优，多样性较好的个体学习器集，在对批量未知类别标签的表情数据进行预测时能有效提高分类系统的泛化能力。

【技术实现步骤摘要】
一种基于分类器选择性集成的表情识别方法
本专利技术涉及一种基于分类器选择性集成的表情识别方法。
技术介绍
人脸的面部表情反映了人脸的丰富的情感信息，是人类非语言交流的主要方式。人脸表情识别是计算机视觉领域一个富有挑战的研究课题，在心理学、人机交互研究等方面具有重要意义。人脸表情识别就是对人脸面部特征进行提取分析，按照人的思维和认识方式加以归类和理解，使用计算机对大量的人脸数据特征、先验知识进行分析和学习，进而从人脸信息中去分析、理解人的情绪，如常见的有快乐，惊讶，恐惧、愤怒、厌恶、悲伤等。利用计算机进行面部表情的识别，是实现人机智能交互的基础。近年来，人脸表情识别技术迅速发展，也有大量相关识别算法被提出。但迄今为止，现有技术中表情识别精度难以达到理想的效果，不同算法可能得到不同的分类性能。对于某一具体问题，传统的做法是通过实验寻求最优的分类器得到最终的预测结果，但是一方面当先验知识不充分时，通常很难确定最优的分类器；另一方面，不同算法的分类器对分分类结果有不同的偏向，使得分类器在特定数据集上预测准确率较高，而对其余数据集预测性能较差。对于某些模式识别问题，通常有多个特征可用于表征和识别模式，如果特征之间的差异太大，则难以将它们集中到单一分类器中进行决策。另外，模式识别的应用领域中存在着多种基于不同理论的分类算法，它们之间存在着互补信息。为提高识别准确率，使用集成学习系列方法成为这一领域的潮流。集成学习利用多个学习器可以获得比仅使用单一学习器更强的泛化能力，目前大多数研究还集中在用相同的算法来集成，因为不同算法的学习机理不同，很难用统一的标准来衡量她们的准确度，而且采用不同算法，集成学习算法的难度会增加。一般的多分类器融合方法都是集成所有的分类器进行融合，一方面会导致更大的计算和存储开销；另一方面，当分类器数目不断增加，各分类器之间的差异可能会变小。在集成学习的基础上，对分类器池加以选择有利于保证表情识别分类问题的有效性。基于这一认知，本专利技术主要采用多种算法生成不同的分类器，并主要研究如何提高选择性集成算法的有效性并将其应用于表情识别领域提高识别效果。理论上说，可以根据验证样本具体情况从大量分类器池中选择不同分类器子集的选择性集成方法更符合现实需求，而且理应取得更加优秀的分类识别效果。其理论基础在于，在现实情况下通过某种算法生成的分类器可能会有自己的模型偏好，能更准确的识别某一类表情，而对部分标签的表情识别率总是相对较低。另外，即使通过不同算法生成的分类器有时候也会存在相似性，相似的分类器本质上对集成分类器的性能没有很大提升，相反会增大运算量。
技术实现思路
为解决上述技术问题，本专利技术提供了一种基于分类器选择性集成的表情识别方法，该基于分类器选择性集成的表情识别方法通过选择性集成的方式，能显著提高人脸表情的识别率。本专利技术通过以下技术方案得以实现。本专利技术提供的一种基于分类器选择性集成的表情识别方法，包括如下步骤：①生成分类器池：以多种机器学习算法作为分类器，通过改变各个分类器的参数，生成多个同、异质基分类器，并构成分类器池；②个体学习器能力及多样性评估：输入验证样本集，并计算各个体学习器的准确率以及不同个体学习器之间的kappa系数值；③分类器序列选择：基于验证集的预测结果，首先将个体学习器按准确率降序排序，选择排序第一的个体学习器进入选择序列中，然后寻找分类器池中准确率不低于阈值且与选择序列中的个体学习器差异性最大，即kappa系数最小的个体学习器进入选择序列中；④决策层融合：根据选择出的分类器序列，使用大多数投票法获取对测试集表情图片的最终决策结果。所述决策层融合为，采用大多数投票算法对多个分类器的输出结果进行决策计算。所述多种机器学习算法包括卷积神经网络、k-近邻、支持向量机。所述生成多个分类器为，生成总数30个以上分类器。所述步骤②中，结合准确率和成对分类器的kappa系数值，选择准确率较高，差异性较大的个体学习器进行决策层融合用于表情识别领域提高识别效果。所述步骤③包括以下步骤：(3.1)令分类器序列根据验证集预测准确率对个体学习器进行降序排序，若存在准确率大于等于阈值T1的个体学习器Ci，则将其选入分类器序列S使得S＝{S∪Ci}，若不存在准确率大于阈值T1的学习器，则选择排序最前的个体学习器，加入序列S；(3.2)对序列S中成员进行决策层融合并计算当前融合结果Ri与分类器池中其余未被选择的个体学习器的kappa系数值，并对kappa系数值进行升序排序，获取kappa系数最小且准确率达到阈值T2的分类器Cj进入分类器序列S；(3.3)重复步骤(3.2)直至序列S中有n个个体学习器；(3.4)输出序列S，并使用S中的成员对测试样本进行预测，得到预测结果Y＝{y1，y2，…，yn}，n为序列S的大小；(3.5)使用大多数投票法集成预测结果Y并得到测试样本的预测标签。本专利技术的有益效果在于：对个体学习器预测准确率和不同个体学习器间之间的差异性进行能力评估，作为选择性集成算法对个体学习器能力的评判标准；可根据对验证样本评判的具体情况选择出分类效果较优，多样性较好的个体学习器集，在对批量未知类别标签的表情数据进行预测时能有效提高分类系统的泛化能力。附图说明图1是本专利技术的流程示意图。具体实施方式下面进一步描述本专利技术的技术方案，但要求保护的范围并不局限于所述。如图1所示的一种基于分类器选择性集成的表情识别方法，包括如下步骤：①生成分类器池：以多种机器学习算法的多种参数进行训练，生成多个分类器，构成分类器池；②个体学习器能力及多样性评估：对分类器池中的分类器分别计算准确率，并将分类器按准确率降序排列；③分类器序列选择：基于验证集的预测结果，首先将个体学习器按准确率降序排序，选择排序第一的个体学习器进入选择序列中，然后寻找分类器池中准确率不低于阈值且与选择序列中的个体学习器差异性最大，即kappa系数最小的个体学习器进入选择序列中；④决策层融合：将分类器序列决策层融合为序列分类器，并对表情图片进行预测得出最终的预测标签。所述决策层融合为，采用多数投票算法对多个分类器的输出结果进行决策计算。所述多种机器学习算法包括卷积神经网络、k-近邻、支持向量机。所述生成多个分类器为，生成总数30个以上分类器。所述步骤②中，结合准确率和成对分类器的kappa系数值，选择准确率较高，差异性较大的个体学习器进行决策层融合用于表情识别领域提高识别效果。所述步骤③包括以下步骤：(3.1)令分类器序列根据验证集预测准确率对个体学习器进行降序排序，若存在准确率大于等于阈值T1的个体学习器Ci，则将其选入分类器序列S使得S＝{S∪Ci}，若不存在准确率大于阈值T1的学习器，则选择排序最前的个体学习器，加入序列S；(3.2)对序列S中成员进行决策层融合并计算当前融合结果Ri与分本文档来自技高网...

【技术保护点】
1.一种基于分类器选择性集成的表情识别方法，其特征在于：包括如下步骤：/n①生成分类器池：以多种机器学习算法作为分类器，通过改变各个分类器的参数，生成多个同、异质基分类器，并构成分类器池；/n②个体学习器能力及多样性评估：输入验证样本集，并计算各个体学习器的准确率以及不同个体学习器之间的kappa系数值；/n③分类器序列选择：基于验证集的预测结果，首先将个体学习器按准确率降序排序，选择排序第一的个体学习器进入选择序列中，然后寻找分类器池中准确率不低于阈值且与选择序列中的个体学习器差异性最大，即kappa系数最小的个体学习器进入选择序列中；/n④决策层融合：根据选择出的分类器序列，使用大多数投票法获取对测试集表情图片的最终决策结果。/n

【技术特征摘要】
1.一种基于分类器选择性集成的表情识别方法，其特征在于：包括如下步骤：
①生成分类器池：以多种机器学习算法作为分类器，通过改变各个分类器的参数，生成多个同、异质基分类器，并构成分类器池；
②个体学习器能力及多样性评估：输入验证样本集，并计算各个体学习器的准确率以及不同个体学习器之间的kappa系数值；
③分类器序列选择：基于验证集的预测结果，首先将个体学习器按准确率降序排序，选择排序第一的个体学习器进入选择序列中，然后寻找分类器池中准确率不低于阈值且与选择序列中的个体学习器差异性最大，即kappa系数最小的个体学习器进入选择序列中；
④决策层融合：根据选择出的分类器序列，使用大多数投票法获取对测试集表情图片的最终决策结果。


2.如权利要求1所述的基于分类器选择性集成的表情识别方法，其特征在于：所述决策层融合为，采用大多数投票算法对分类器序列S中的多个个体学习器输出结果进行决策层融合。


3.如权利要求1所述的基于分类器选择性集成的表情识别方法，其特征在于：所述多种机器学习算法包括卷积神经网络、k-近邻、支持向量机。


4.如权利要求1所述的基于分类器选择性集成的表情识别方法，其特征在于：所述生成多个分类器为，生...

【专利技术属性】
技术研发人员：李丹杨，唐玉梅，陈靖宇，邹晓瑜，周西川，史鹏程，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州;52