本文關(guān)鍵詞：基于選擇性集成的表情識別方法研究

  更多相關(guān)文章： 面部表情識別 選擇性集成 帶極值擾動的簡化粒子群優(yōu)化 半定規(guī)劃 并行特征融合

【摘要】：近年來,隨著人工智能的不斷發(fā)展,人們越來越希望計算機(jī)能夠擁有人類一樣的智慧和情感。在基于單分類器的表情識別方法和基于集成的表情識別方法中,前者的識別率低下,后者的存儲空間大,預(yù)測成本高,二者皆有缺陷。針對上述問題,將選擇性集成與表情識別方法相結(jié)合,為表情識別技術(shù)帶來了新的機(jī)遇與挑戰(zhàn)。本文在傳統(tǒng)表情識別方法的基礎(chǔ)上利用選擇性集思想展開了深入研究,并且重點研究了半定規(guī)劃理論、基于帶極值擾動的簡化粒子群優(yōu)化算法和基于并行特征融合和選擇性集成的表情識別方法。首先,為了彌補(bǔ)傳統(tǒng)表情識別方法的缺陷,提出一種基于帶極值擾動的簡化粒子群優(yōu)化和選擇性集成的表情識別方法。該方法利用Bagging算法及支持向量機(jī)得到多個基分類器,再將基分類器選擇轉(zhuǎn)化為半定規(guī)劃模型,然后利用帶極值擾動的簡化粒子群優(yōu)化算法求解,最后利用帶權(quán)值的相對多數(shù)投票進(jìn)行集成。試驗結(jié)果表明,該方法相較于傳統(tǒng)表情識別方法、基于傳統(tǒng)集成表情識別方法及基于其他選擇性集成的表情識別方法均提高了識別率。然后,在已提出基于帶極值擾動的簡化粒子群優(yōu)化和選擇性集成的表情識別方法基礎(chǔ)上,提出一種基于兩步降維的并行特征融合和選擇性集成的表情識別方法。該方法將單特征提取及特征降維模塊進(jìn)行了改進(jìn),由原來的單特征提取變?yōu)閮深惷娌勘砬樘卣魈崛?并在實數(shù)域內(nèi)利用主成分分析法對其進(jìn)行數(shù)據(jù)降維,其次又利用并行特征融合方法構(gòu)造組合特征,而后采用基于帶極值擾動的簡化粒子群優(yōu)化算法的選擇性集成方法。最后,設(shè)計并開發(fā)了一套基于選擇性集成的面部表情識別系統(tǒng)。該系統(tǒng)通過對面部表情圖像進(jìn)行特征提取及降維、基分類器訓(xùn)練、多分類器選擇及集成對面部表情自動識別。經(jīng)過實際測試驗證,該系統(tǒng)能夠?qū)﹄x線人臉面部表情進(jìn)行有效識別。
【關(guān)鍵詞】：面部表情識別 選擇性集成 帶極值擾動的簡化粒子群優(yōu)化 半定規(guī)劃 并行特征融合
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP18
【目錄】：

• 摘要4-5
• Abstract5-11
• 第1章 緒論11-19
• 1.1 研究背景及意義11
• 1.2 國內(nèi)外研究現(xiàn)狀11-15
• 1.2.1 面部表情識別的國內(nèi)外研究現(xiàn)狀11-12
• 1.2.2 選擇性集成的國內(nèi)外研究現(xiàn)狀12-14
• 1.2.3 基于選擇性集成的表情識別國內(nèi)外研究現(xiàn)狀14-15
• 1.3 論文主要工作15-16
• 1.4 論文的組織結(jié)構(gòu)16-19
• 第2章 相關(guān)理論概述19-31
• 2.1 常用表情特征提取方法19-21
• 2.1.1 離散余弦變換19-20
• 2.1.2 Gabor小波變換20-21
• 2.1.3 局部二值模式21
• 2.2 選擇性集成學(xué)習(xí)的基本概念21-25
• 2.3 差異性度量方法25-29
• 2.3.1 成對差異度量26-27
• 2.3.2 非成對差異性度量方法27-29
• 2.4 Bagging算法29-30
• 2.5 本章小結(jié)30-31
• 第3章 一種基于tsPSO和選擇性集成的表情識別方法研究31-46
• 3.1 半定規(guī)劃理論基礎(chǔ)31-33
• 3.2 一種基于選擇性集成的表情識別方法框架33-35
• 3.3 帶極值擾動的簡化粒子群優(yōu)化算法35-38
• 3.4 基于帶極值擾動的簡化粒子群優(yōu)化的選擇性集成算法38-39
• 3.5 試驗結(jié)果與分析39-45
• 3.5.1 實驗設(shè)置39-40
• 3.5.2 與傳統(tǒng)表情識別方法的對比實驗40-42
• 3.5.3 與傳統(tǒng)集成方法的對比實驗42-43
• 3.5.4 與其他選擇性集成方法的對比實驗43-45
• 3.6 本章小結(jié)45-46
• 第4章 基于并行特征融合和選擇性集成的表情識別方法研究46-54
• 4.1 基于特征融合表情識別方法46-48
• 4.2 基于酉空間的混合判別分析方法48-50
• 4.3 實驗結(jié)果分析50-53
• 4.3.1 與單特征提取方法的對比實驗50-51
• 4.3.2 與串行特征融合方法的對比實驗51-52
• 4.3.3 組合系數(shù)影響對比實驗52-53
• 4.4 本章小結(jié)53-54
• 第5章 基于選擇性集成的表情識別系統(tǒng)設(shè)計54-59
• 5.1 系統(tǒng)框架設(shè)計54-55
• 5.2 系統(tǒng)詳細(xì)設(shè)計55-56
• 5.2.1 圖片預(yù)處理模塊55-56
• 5.2.2 多特征融合模塊56
• 5.2.3 選擇性集成模型模塊56
• 5.3 系統(tǒng)測試56-58
• 5.4 本章小結(jié)58-59
• 第6章 總結(jié)及展望59-61
• 6.1 總結(jié)59-60
• 6.2 下一步的工作60-61
• 參考文獻(xiàn)61-67
• 致謝67-68
• 攻讀碩士學(xué)位期間從事的科研工作及取得的成果68

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 畢凱;王曉丹;邢雅瓊;;基于改進(jìn)BPSO的聚類選擇性集成[J];系統(tǒng)工程與電子技術(shù);2016年03期

2 魏仕軒;王未央;;SVM和集成學(xué)習(xí)算法的改進(jìn)和實現(xiàn)[J];計算機(jī)系統(tǒng)應(yīng)用;2015年07期

3 楊勇;蔡舒博;;一種基于兩步降維和并行特征融合的表情識別方法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2015年03期

4 狄富強(qiáng);張敏情;劉佳;張英男;;一種基于成對采樣和選擇性集成的隱寫分析算法[J];光電子·激光;2015年04期

5 張曉琴;王婕婷;錢宇華;;一種基于加權(quán)kappa增益的有序分類的選擇性集成算法[J];山西大學(xué)學(xué)報(自然科學(xué)版);2015年01期

6 呂鋒;李翔;杜文霞;;基于MultiBoost的集成支持向量機(jī)分類方法及其應(yīng)用[J];控制與決策;2015年01期

7 邵潔;董楠;;基于三維特征點模型的人臉表情識別算法[J];上海電力學(xué)院學(xué)報;2014年04期

8 鄒文杰;王文靜;楊付正;;參考中性表情的人臉表情識別[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2014年05期

9 畢凱;王曉丹;姚旭;周進(jìn)登;;一種基于Bagging和混淆矩陣的自適應(yīng)選擇性集成[J];電子學(xué)報;2014年04期

10 姚旭;王曉丹;張玉璽;雷蕾;;基于AdaBoost和匹配追蹤的選擇性集成算法[J];控制與決策;2014年02期

，

本文編號：837571