表情加权SLLE:提升人脸表情识别效率

2星 需积分: 14 8 下载量 92 浏览量 更新于2024-09-13 1 收藏 263KB PDF 举报
"基于表情加权距离SLLE的人脸表情识别" 本文主要探讨了一种改进的有监督局部线性嵌入(Supervised Local Linear Embedding, SLLE)算法,该算法针对人脸表情识别任务,尤其注重利用表情类别的先验信息。传统LLE算法在进行数据降维和特征提取时,并不考虑样本的类别信息,这可能导致关键特征的丢失。SLLE则尝试解决这一问题,通过考虑类别信息来更好地保留样本间的结构关系。 在人脸表情识别领域,不同表情类别之间的差异性是显著的。文章提出了一种基于表情加权距离的SLLE方法,该方法在计算样本间距离时,对不同表情类别的样本赋予不同的权重。这样,算法能够更准确地反映类别间的差异,从而在降维过程中更好地保持类内相似性和类间差异性。这种方法有效地利用了表情类别的先验知识,提高了识别性能。 实验在JAFEE(日本女性面部表情)数据库上进行,结果显示,相较于原始的LLE算法和未加权的SLLE算法,基于表情加权距离的SLLE算法在一定的邻域范围内取得了更高的表情识别率。这证明了该算法的有效性,尤其是在捕捉和保留人脸表情特征方面的优越性。 此外,本文的作者包括应自炉、李景文和张有为,他们分别在北京航空航天大学和五邑大学从事信号与信息处理、人机自然交互、模式识别以及相关领域的研究工作。文章的发表得到了广东省自然科学基金的支持,表明了该研究得到了学术界的认可和资助。 关键词涉及的技术点包括局部线性嵌入(LLE)、有监督局部线性嵌入(SLLE)、人脸表情识别以及表情加权距离。这些关键词构成了本文的核心内容,展示了研究者如何通过改进的SLLE算法提升人脸识别系统的性能,特别是在处理复杂表情识别任务时的优势。这项工作为人脸表情识别技术提供了新的思路和实用的解决方案。