人臉表情識別算法研究

滕 飛

(沈陽理工大學(xué) 遼寧 沈陽 110159)

隨著科技的進步，尤其是計算機技術(shù)的飛速發(fā)展,計算機的交互方式發(fā)生了重大的變化。通過計算機對人臉表情的識別，促進了人機交互技術(shù)的快速發(fā)展，這使得人臉表情識別成為信息領(lǐng)域炙手可熱的研究課題之一。人臉表情識別主要功能是對自然環(huán)境下人們的各種表情進行識別，從而來判斷人的心情和狀態(tài)。但是現(xiàn)有的人臉表情識別方法都有識別率低的通病，因此提高識別率是一件非常具有挑戰(zhàn)性的工作。

一、改進AdaBoost算法

通過對現(xiàn)有的SVM算法和AdaBoost算法的研究過程中，從中發(fā)現(xiàn)兩種算法之間有很多相似點，即在兩種算法的學(xué)習(xí)過程中都在不斷迭代訓(xùn)練信息樣本點。SVM算法中對錯分的樣本采用松弛變量和懲罰因子的方法進行樣本訓(xùn)練；AdaBoost算法中采用增大錯分樣本權(quán)重的方法更新樣本的分布，從而對弱分類器進行反復(fù)迭代強化，最終得到理想的效果。但是AdaBoost算法在計算過程中有一些很難避免的問題，當(dāng)數(shù)據(jù)訓(xùn)練的樣本增加時會容易導(dǎo)致分類器的分類效率下降、穩(wěn)定性變差等問題，AdaBoost分類器不適合和強分類器進行級聯(lián)。本文提出一種算法融合的方法，即AdaBoost算法和SVM算法的融合，在判斷弱分類器個數(shù)到達上限時，能否達到誤檢率的最大值，以這種標準來判斷是否讓SVM來替代。

本文用到的AdaBoost和SVM的融合算法的具體步驟如下：

Step1：先對每一個樣本添加一個權(quán)重屬性，并且對每個樣本權(quán)重進行初始化。

Step2：再對每一個樣本點增加一個參數(shù)，該參數(shù)用來記錄每個樣本點被錯誤分類的次數(shù)，并且對錯分次數(shù)進行清零。

Step3：緊接著采用SVM算法進行迭代學(xué)習(xí)訓(xùn)練，對每次學(xué)習(xí)得到的樣本點進行分類，然后判斷是否正確，根據(jù)判斷的結(jié)果來對每個樣本的權(quán)重進行更改，通過每次學(xué)習(xí)得到的分類器樣本點分類的正確與否，對每個樣本權(quán)重進行更改。當(dāng)判斷的結(jié)果為錯誤的，則增大錯誤分類的樣本權(quán)重；當(dāng)判斷的結(jié)果為正確的，則減少正確分類的樣本權(quán)重，并記錄每個樣本的錯分次數(shù)。于是在下一個迭代學(xué)習(xí)時就可以根據(jù)新的樣本集進行訓(xùn)練。

從以上的步驟可知，為了提高分類器的分類能力，本文對各個分類器進行了權(quán)值賦予的工作。首先用AdaBoost算法訓(xùn)練方式來加強其SVM算法泛化出來的分類器，來提高SVM分類器的分類能力，然后將每個分類器的錯誤率計算出來，這里用到了歸一化的方法來處理SVM分類器的權(quán)重，最后將較小的權(quán)值賦值給錯誤率相對較低的分類器，將較大的權(quán)值賦值給錯誤率較高的分類器，使得人臉表情識別率提高。

二、AdaBoost和SVM算法融合的有效性

為了可以更好地證實新算法的可行性，本文對AdaBoost算法、SVM算法和本文運用的算法進行人臉表情識別訓(xùn)練，實驗數(shù)據(jù)如圖1、2、3所示。

從下圖1、圖2和圖3可知，本文提出的算法的正確識別率為97.76%，而單純使用AdaBoost算法的正確識別率為71.92%，單純使用SVM算法的正確識別率為88.01%。所以新的算法在識別率上有了很大的提升。

圖1 SVM算法 圖2 AdaBoost算法 圖3 本文算法

三、結(jié)束語

本文通過對三種分類算法對人臉表情識別準確率的比較，從而發(fā)現(xiàn)將傳統(tǒng)的AdaBoost算法和SVM算法進行融合，不僅降低了后續(xù)訓(xùn)練計算的復(fù)雜度，而且在一定程度上提高了人臉表情識別率。