一种新的人面部表情识别方法.docx

一种新的人面部表情识别方法
人的表情是语言以外的一种信息交流方式，可以传递出个体的情感和心理状况。因此，人面部表情识别技术十分重要，能够有效地应用于人机交互、智能安防、医学诊断等领域。本文将介绍一种新的人面部表情识别方法，该方法结合深度学习和传统分类方法，在表情识别的准确率和实时性方面有着较大的优化。
一、现有的人面部表情识别方法
目前，已经有很多人面部表情识别的算法被提出，包括基于规则、基于特征提取的传统机器学习算法以及基于深度学习的算法。基于规则的算法主要通过构造表情分类的规则来完成分类任务，但是该方法需要先验的知识来构建规则，使得其适用性较差。基于特征提取的传统机器学习算法则利用特征提取算法将图像传输为特征向量，接着使用分类器完成识别任务。但是其准确率受到特征提取算法的限制，而特征提取也不能保证各种表情下提取的特征对比度高、鲁棒性强。而基于深度学习算法通过多层次的非线性映射，将高维空间图像映射为低维空间特征向量，同时具有很好的鲁棒性和表达能力，因此被应用的较为广泛。
二、新的人面部表情识别方法
为了解决现有方法中的一些不足之处，本文提出了一种新的人面部表情识别方法。该方法是一个混合的方法，将深度学习和传统分类方法结合起来，以优化表情识别的准确率和实时性。具体来说，该方法包含了以下几个步骤：
1.数据预处理
由于原始数据存在着图像质量低下、光线影响、不同角度的问题，因此需要对数据进行预处理。首先使用灰度化和直方图均衡化来去除光影波动和增强对比度，接着进行裁剪和缩放，以减少噪声干扰同时也便于模型的使用。
2.特征提取
在特征提取方面，本方法基于深度学习神经网络中的卷积神经网络（ConvolutionalNeuralNetwork,CNN），该网络具有很好的图像特征提取能力和鲁棒性。在此基础上，本方法重新构造了一个卷积神经网络模型，该模型可以更好地学习人面部表情所具有的不同特征，从而提高表情识别的准确率。在构造模型时，还应注意在不同表情数据集上进行预训练和微调，以达到更好的表情识别效果。
3.分类器构造
本方法使用支持向量机（SupportVectorMachine,SVM）作为分类器。SVM其优势在于可以支持高维空间的数据分类，并且具有较好的泛化能力。同时使用SVM时会有精度、准确率更高的处理结果。
4.结果的评价
本方法利用混淆矩阵和各种评估指标，探讨了准确率和实时性对整个方法的影响。尤其是在实时性方面，本方法通过将算法进行优化，也获得了更好的性能。
三、结论
本文提出了一种混合的方法，将深度学习和传统分类方法结合起来，实现了更高效、准确、实时的人面部表情识别。改进时通过增加一些模型和算法的涵盖，Sift,Surg和Deeplearning等等。本方法还可进一步优化作用在更大的数据集上，不断提高识别效果。