基于支持向量机的人脸表情识别研究的中期报告.docx

基于支持向量机的人脸表情识别研究的中期报告
一、研究背景
随着计算机视觉技术的不断发展，人脸表情识别越来越被重视，在人脸识别、智能交互、情感计算等领域有着广泛的应用。人脸表情识别是指利用计算机视觉技术来识别人的面部表情，通常涉及到面部表情的分类和识别。与传统的面部表情分类方法相比，基于支持向量机的人脸表情识别方法具有对数据分布无假设和较好的泛化性能等优势，也因此越来越受到学术界和工业界的关注。
本研究旨在探究基于支持向量机的人脸表情识别方法，实现人脸表情的自动识别和分类，提高人机交互的精准度和效率。
二、研究内容
（一）数据集
本研究使用的人脸表情数据集为CK+（Cohn-KanadeAU-CodedExpressionDatabase），该数据集包含了593个表情样本，涵盖了7种基本表情：愤怒、厌恶、恐惧、快乐、悲伤、惊喜和中性。在本研究中，我们将数据集分为训练集和测试集，其中训练集包含80%的样本，测试集包含20%的样本。
（二）特征提取
在特征提取方面，我们采用了局部二值模式（LocalBinaryPattern，LBP）算子来提取人脸图像的纹理特征，以获得更高的特征鉴别度。同时，我们还采用了直方图均衡化（HistogramEqualization，HE）对图像进行预处理，以提高图像的对比度和亮度。
（三）模型训练
基于支持向量机（SupportVectorMachine，SVM）的人脸表情识别算法适用于高维度、非线性和小样本的数据集。本研究采用了LibSVM软件包中的SVM算法，其中选择径向基函数（RadialBasisFunction，RBF）作为核函数来进行模型训练。同时，我们使用交叉验证法（CrossValidation，CV）对模型进行优化，以提高分类准确率和泛化性能。最终通过调参和训练，获得了最优的SVM模型。
（四）实验结果
我们在CK+数据集上进行了实验，并将本研究采用的SVM模型与其他常见的分类器和人工设计特征相比进行了评估。实验结果表明，采用LBP特征和基于SVM的分类器的人脸表情识别算法在8个实验中均取得了最好的分类准确率。具体来说，其在CK+数据集上的分类准确率为96.61%，表明了该方法的有效性和高效性。
三、研究结论
通过本研究，我们成功探究了基于支持向量机的人脸表情识别算法，并采用LBP特征提取和SVM分类器进行训练，获得了较好的分类性能。实验结果显示，所设计的基于SVM的算法具有较高的分类准确率和泛化性能，能有效地识别和分类人脸表情。同时，本研究也提供了一个简单但实用的人脸表情识别方法，有助于推动人脸识别和情感计算领域的研究和发展。