C均值K近邻算法在面部表情识别中的应用

需积分: 9 1 下载量 161 浏览量 更新于2024-08-12 1 收藏 759KB PDF 举报
"基于C均值 K近邻算法的面部表情识别 (2008年) 论文" 本文是2008年发表的一篇关于面部表情识别的研究论文,作者是张一鸣、欧宗瑛和王虹,来自大连理工大学机械工程学院。随着人工智能与模式识别技术的进步,面部表情识别在人机交互中的应用日益广泛。论文提出了一种结合C均值聚类和K近邻算法的面部表情分类方法。 首先,论文中提到的方法对用于训练的表情图像采用Gabor小波变换进行预处理。Gabor小波变换是一种能够捕捉图像局部特征的数学工具,尤其适合于处理视觉信号,如人脸图像,因为它能模拟人类视觉系统的频率选择性和方向敏感性。通过Gabor变换,可以提取出图像中不同尺度和方向的特征,这对于表情识别至关重要。 接下来,论文应用Fisherface判别分析方法对经过Gabor变换的表情图像进行进一步处理,以获取更具区分性的特征空间。Fisherface是一种基于主成分分析(PCA)的线性降维技术,它通过最大化类间方差和最小化类内方差来选择最有区分力的特征向量,有助于提高分类性能。 在特征空间中,使用C均值聚类算法将标准表情图像分组成多个子类表情模板。C均值聚类是一种无监督学习方法,它根据数据点之间的距离和群组内的相似性来划分数据,这里用于创建代表不同表情的模板集合。 最后,对于待识别的表情图像,论文采用了K近邻算法进行分类。K近邻算法是一种基于实例的学习,它通过寻找训练集中最接近待识别样本的K个邻居,根据这些邻居的类别进行投票来决定新样本的类别。在这种情况下,K近邻算法与子类表情模板比较,以确定待识别表情所属的类别。 论文在公开的日本女人表情人脸库上进行了实验,取得了95.8%的识别率,这表明所提出的面部表情识别方法具有较高的准确性和有效性。这种结合了多种技术的分类方法对于提升面部表情识别的性能具有一定的理论价值和实际应用前景,特别是在智能人机交互和情感计算等领域。