本文關(guān)鍵詞：基于選擇性集成的表情識(shí)別方法研究

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

【摘要】：近年來(lái),隨著人工智能的不斷發(fā)展,人們?cè)絹?lái)越希望計(jì)算機(jī)能夠擁有人類(lèi)一樣的智慧和情感。在基于單分類(lèi)器的表情識(shí)別方法和基于集成的表情識(shí)別方法中,前者的識(shí)別率低下,后者的存儲(chǔ)空間大,預(yù)測(cè)成本高,二者皆有缺陷。針對(duì)上述問(wèn)題,將選擇性集成與表情識(shí)別方法相結(jié)合,為表情識(shí)別技術(shù)帶來(lái)了新的機(jī)遇與挑戰(zhàn)。本文在傳統(tǒng)表情識(shí)別方法的基礎(chǔ)上利用選擇性集思想展開(kāi)了深入研究,并且重點(diǎn)研究了半定規(guī)劃理論、基于帶極值擾動(dòng)的簡(jiǎn)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(shí)別方法。首先,為了彌補(bǔ)傳統(tǒng)表情識(shí)別方法的缺陷,提出一種基于帶極值擾動(dòng)的簡(jiǎn)化粒子群優(yōu)化和選擇性集成的表情識(shí)別方法。該方法利用Bagging算法及支持向量機(jī)得到多個(gè)基分類(lèi)器,再將基分類(lèi)器選擇轉(zhuǎn)化為半定規(guī)劃模型,然后利用帶極值擾動(dòng)的簡(jiǎn)化粒子群優(yōu)化算法求解,最后利用帶權(quán)值的相對(duì)多數(shù)投票進(jìn)行集成。試驗(yàn)結(jié)果表明,該方法相較于傳統(tǒng)表情識(shí)別方法、基于傳統(tǒng)集成表情識(shí)別方法及基于其他選擇性集成的表情識(shí)別方法均提高了識(shí)別率。然后,在已提出基于帶極值擾動(dòng)的簡(jiǎn)化粒子群優(yōu)化和選擇性集成的表情識(shí)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(shí)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(lái)的單特征提取變?yōu)閮深?lèi)面部表情特征提取,并在實(shí)數(shù)域內(nèi)利用主成分分析法對(duì)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(dòng)的簡(jiǎn)化粒子群優(yōu)化算法的選擇性集成方法。最后,設(shè)計(jì)并開(kāi)發(fā)了一套基于選擇性集成的面部表情識(shí)別系統(tǒng)。該系統(tǒng)通過(guò)對(duì)面部表情圖像進(jìn)行特征提取及降維、基分類(lèi)器訓(xùn)練、多分類(lèi)器選擇及集成對(duì)面部表情自動(dòng)識(shí)別。經(jīng)過(guò)實(shí)際測(cè)試驗(yàn)證,該系統(tǒng)能夠?qū)﹄x線人臉面部表情進(jìn)行有效識(shí)別。
【關(guān)鍵詞】：面部表情識(shí)別 選擇性集成 帶極值擾動(dòng)的簡(jiǎn)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(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：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(guó)內(nèi)外研究現(xiàn)狀11-15
• 1.2.1 面部表情識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀11-12
• 1.2.2 選擇性集成的國(guó)內(nèi)外研究現(xiàn)狀12-14
• 1.2.3 基于選擇性集成的表情識(shí)別國(guó)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(duì)差異度量26-27
• 2.3.2 非成對(duì)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(shí)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(shí)別方法框架33-35
• 3.3 帶極值擾動(dòng)的簡(jiǎn)化粒子群優(yōu)化算法35-38
• 3.4 基于帶極值擾動(dòng)的簡(jiǎn)化粒子群優(yōu)化的選擇性集成算法38-39
• 3.5 試驗(yàn)結(jié)果與分析39-45
• 3.5.1 實(shí)驗(yàn)設(shè)置39-40
• 3.5.2 與傳統(tǒng)表情識(shí)別方法的對(duì)比實(shí)驗(yàn)40-42
• 3.5.3 與傳統(tǒng)集成方法的對(duì)比實(shí)驗(yàn)42-43
• 3.5.4 與其他選擇性集成方法的對(duì)比實(shí)驗(yàn)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(shí)別方法研究46-54
• 4.1 基于特征融合表情識(shí)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(shí)驗(yàn)結(jié)果分析50-53
• 4.3.1 與單特征提取方法的對(duì)比實(shí)驗(yàn)50-51
• 4.3.2 與串行特征融合方法的對(duì)比實(shí)驗(yàn)51-52
• 4.3.3 組合系數(shù)影響對(duì)比實(shí)驗(yàn)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(shí)別系統(tǒng)設(shè)計(jì)54-59
• 5.1 系統(tǒng)框架設(shè)計(jì)54-55
• 5.2 系統(tǒng)詳細(xì)設(shè)計(jì)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(cè)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(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 畢凱;王曉丹;邢雅瓊;;基于改進(jìn)BPSO的聚類(lèi)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(shí)現(xiàn)[J];計(jì)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(shí)別方法[J];重慶郵電大學(xué)學(xué)報(bào)(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(duì)采樣和選擇性集成的隱寫(xiě)分析算法[J];光電子·激光;2015年04期

5 張曉琴;王婕婷;錢(qián)宇華;;一種基于加權(quán)kappa增益的有序分類(lèi)的選擇性集成算法[J];山西大學(xué)學(xué)報(bào)(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(lèi)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(diǎn)模型的人臉表情識(shí)別算法[J];上海電力學(xué)院學(xué)報(bào);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(shí)別[J];華南理工大學(xué)學(xué)報(bào)(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(bào);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(hào)：837571