【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...
【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...
【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
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。