基于核局部保持对称加权Fisher判别分析的子空间表情识别新方法的研究

工程科学与技术，国际期刊19（2016）1321完整文章基于核局部保持对称加权Fisher判别分析的子空间表情识别G.P. Hegdea，M.Seethab、Nagaratna Hegdeca部。CSE，SDMIT，Ujire附属于VTU Belgaum，卡纳塔克邦，印度b印度海得拉巴GNITS CSE部c部印度海得拉巴市VCE CSE公司阿提奇莱因福奥文章历史记录：2015年8月26日收到2016年3月5日修订2016年3月6日接受2016年4月13日在线发布关键词：判别分析Gabor滤波器表情识别特征提取子空间对称重量A B S T R A C T通过解决线性鉴别分析的奇异性问题，在保持局部鉴别特征的前提下，最大化非线性子空间区域的Fisher比，对利用核局部保持对称加权Fisher判别分析（KLSWFDA）方法将组合特征向量空间投影到低维子空间。在投影子空间上应用匹配评分级融合技术，构造组合完整的Gabor子空间。采用欧氏距离（L2）和支持向量机（SVM）分类器对所提出的方法的性能进行评估，并与最先进的方法进行比较。在JAFFE、YALE和FD表情库上的实验结果表明了该方法的有效性。©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在几种不同的表情情境中，人们表现出不同的表情，如高兴、悲伤、愤怒、疲劳、困惑、惊讶、思考、恐惧、痛苦、眨眼、有趣和厌恶。识别表情的目的是为了理解面部外观的感觉，用于模式识别和计算机视觉等各个领域的几个应用。在智能课堂教学中，有时需要了解学生的课堂非语言能力，这可以通过识别学生个体的表情来确定。在车辆行驶过程中，可以确定驾驶员的感受，以避免意外危险。在实时选举投票中，通过标准的面部表情识别系统可以确定不同表情的人的身份。十五年前，Ekman等人[1]进行了表情研究，观察到人类至少会表现出六种表情，如愤怒、厌恶、恐惧、快乐、悲伤和惊讶，作者指出中性状态是正常的表情。在模式识别、计算机视觉和生物特征识别等领域，人脸表情识别是最具挑战性的工作之一，这是由于人脸表情识别过程中光照变化大、噪声环境强等原因造成的。*通讯作者。由Karabuk大学负责进行同行审查识别[1在心理学研究、医学诊断、不同的痛苦情况下以及确定人类情感状态以解决犯罪和安全问题方面有许多应用[4]。本文通过在核区域引入对称加权主成分，保留局部判别特征，解决了散布矩阵的奇异性问题。为了在基于外观的方法下合成一个完整的图像人脸，形状和纹理特征在[5- 7，66]中给出的几项研究中发现了一个重要的领域本文的其余部分组织如下：第2节，介绍了早期作品的概述。第三节通过对相关文献的比较，说明了本文提出的框架.第四节给出了结果和讨论第5节总结了结论2. 文献调查线性判别分析（LDA）方法是一种重要的目标识别方法，在许多领域都有应用。当所有的散布矩阵都变得奇异时，会导致小数据样本的表情识别效率下降，因此很难保持类间较大的变异性。在早期的研究中提出的大多数LDA扩展方法或算法无法优化奇异矩阵问题。Belhumeur等人 解 决 了 这 个 问 题 。 [9] 他 在 1997 年 提 出 了 一 种 Fisherface 方 法（FF），该方法使用主成分分析（PCA）[64]，基于投影和矩阵大小的变化，http://dx.doi.org/10.1016/j.jestch.2016.03.0052215-0986/©2016 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch1322G.P. Hegde等人/工程科学与技术，国际期刊19（2016）1321矩阵是非奇异的。但是对于Fisher LDA算法，仍然需要对奇异性问题的场景进行改进。本文将类内散布矩阵的奇异性问题作为降维的主要问题之一。LDA是一种使用类标签的线性监督子空间方法，它区分不同的表达类，并将高维空间转换为子空间。有几个基于LDA的方法改进，并提出了一些研究人员和作者。Li等人。[10]致力于基于非参数方法的判别分析人脸识别。Ming等人[11]介绍了基于回归和谱图分析的谱回归核判别分析（SRKDA）。他们认为，当样本向量是非线性的，那么SRKDA方法可以有效地给出更好的解决方案比普通的子空间学习方法。Wang和Sun[50]提出了半监督核边缘Fisher分析（SKMFA），其中作者提出可以通过基于标记和未标记数据的数据依赖核捕获的非线性结构来避免奇异性问题。Rahulamathavan等人。[5]使用线性局部Fisher判别分析（LFDA）开发了具有加密域的面部表情识别系统。作者建议，即使未加密域的识别率不高，加密域也是一个挑战。该方法已应用于JAFFE数据库，取得了94.37%的识别率。根据面部标志点的位置特征，从不同面部外观的特定面部活动块中提取。判别特征被认为是由进一步的补丁从活性补丁表达分类。SVM一对一分类技术由作者Happy和Routray[62]实现。使用子空间方法的表达分析的效果具有在[35，36]。有几个研究人员直接在输入图像上实现子空间投影方法来实现特征提取和降维。在[45]中，不同的早期子空间方法被实现在特征数据集上用于降维，并比较了子空间方法的优缺点。从文献调查中已经注意到，许多线性和非线性子空间方法被发现是更强大的表情识别。子空间方法如主成分分析（PCA）[5非线性方法包括映射子空间（Isomap）[28，29]、KPCA[34]、局部保持Fisher判别分析（LFDA）[40]、KFDA[45]和KLFDA[44，48，49]。这些非线性嵌入方法的共同缺点是在计算高维特征数据集时消耗更多的时间。Yu等人[32]提出了一种直接LDA算法，表1比较JAFFE人脸数据集的整体识别准确性，用于建议和最新方法。文献方法OFERR（%）Zhang等人[3]基于LBP的LDA 73.4 ± 5.6Zhang等人[3]基于增强LBP的 LDA 77.67 ± 5.7Wang等人[51]第51话Cohen等人[4]LFDA 90.70Shih等人[53]2DLDA +SVM 94.13人脸识别，其结合了用于高维数据的零空间的概念。[34]中提出了一个完整的核Fisher判别框架，用于使用KPCA和LDA进行特征提取和识别。表1中列出了基于LDA算法的现有技术方法。传统的LDA问题试图通过最小化总类内距离和最大化类间距离来找到最佳线性变换。众所周知，这个优化问题可以通过对散射矩阵应用特征值分解来解决。然而，这要求总散射矩阵是非奇异的。判别分析子空间方法在进行类内和类间局部特征分离和降维。在子空间投影过程中，由于人脸图像的局部和全局特征保存不足，导致非线性区域的识别率较低针对上述问题，本文提出了基于核的局部保持对称加权Fisher判别分析子空间方法，通过引入对称加权主成分，同时将PCA空间投影到子空间中生成FLDA空间，对由不同尺度和方向的Gabor滤波器定义的高维特征数据集进行降维。较大的本征分量值产生用于高效识别表达式的良好特征3. 拟议框架本文主要研究并举例说明了通过解决线性判别分析的奇异性问题，将高维图像空间投影到低维子空间。提出了核局部保持对称加权Fisher判别分析算法（KLSWFDA）。在该表情识别系统工作的开始，进行了面部检测[65]，并且根据[42]中给出的先前工作，通过对图像进行分类，从输入的原始图像中创建了一个训练数据库。纹理特征提取已经通过实施[39]中给出的Gabor滤波器来进行。将Gabor幅值部分和相位部分分离出来，分别提取特征。然后通过将Gabor幅度特征向量和Gabor相位向量与几何特征向量（来自18个基准创建点）融合形成组合的完整Gabor特征数据集，如图1所示，以使特征维度均匀分布。这两个向量分别 称 为 组 合 Gabor 幅 度 向 量 （ CGMV ） 和 组 合 Gabor 相 位 向 量（CGPV）。这些向量的大小被发现是大的维数和投影到子空间应用KLSWFDA算法。这两个具有相似矩阵的投影子空间通过[33]中引入的匹配得分水平融合来融合，并且组合整个Gabor子空间已经被构造。使用欧氏距离度量（L2）和SVM[41]分类器技术识别和分类所有的表情。用不同尺度构造了Gabor滤波器，并分别针对JAFFE和YALE数据库在表3和表4中列出了不同维度的方向参数。按照[42]中提到的程序提取几何特征。董成等[54]Gabor + PCA，Gabor +2DPCA91和94表2Bai等人[55]Gabor + LBP +LDA 92Zhi和Ruan[56]2D判别LPP 95.91Zhang等人[57]第五十七话YALE数据集的总体识别准确性比较，艺术接近。文献方法OFERR（%）Liejun等[58]基于SVM的95.7Zhao等人[59]五氯苯甲醚和NMF 93.72美国[60]我们的CEGKLSWFDA 97.14[50]第50话Wang和Gong[47]Gabor + PCA +NN 86.64我们的CEGSWKLFDA83.33通过线性和非线性子空间方法（如PCA，ICA，KPCA，LPP，FLDA，LFDA，KLFDA，KLSWFDA）匹配评分级融合生成组合全Gabor子空间线性和非线性子空间方法的子空间输入人脸图像数据集测试图像通过线性和非线性子空间方法（如PCA，ICA，KPCA，LPP，FLDA，LFDA，KLFDA，KLSWFDA，支持向量机分类器相似矩阵和欧氏距离的计算匹配评分级融合生成组合全Gabor子空间线性和非线性子空间方法的子空间线性和非线性子空间方法的子空间线性和非线性子空间方法的子空间表情识别与分类JAFFE、YALE和FD数据库G.P. Hegde等人 /工程科学与技术国际期刊19（2016）1321-13331323Fig. 1. 基于子空间方法的表情识别系统示意图。表3JAFFE数据库的Gabor滤波器参数和特征向量维数。天平数量（m）方向数（n）Gabor滤波器尺寸（GFmn）Gabor滤波特征向量维数几何特征向量维数组合Gabor特征向量维数5420279,72016279,7363824335,66416335,6803412167,83216167,8485840559,44016559,456表4YALE数据库的Gabor滤波器参数和特征向量维数。天平数量（m）方向数（n）Gabor滤波器尺寸（GFmn）Gabor滤波特征向量维数几何特征向量维数组合Gabor特征向量维数542081,9201681,936382498,3041698,320341249,1521649,1685840163,84016163,856特征级融合特征级融合Gabor相位特征向量几何特征向量Gabor幅度特征向量人脸检测与预处理人脸检测与预处理组合Gabor幅度特征向量特征级融合Gabor幅度特征向量特征级融合Gabor相位特征向量几何特征向量组合Gabor相位特征向量组合Gabor相位特征向量组合Gabor幅度特征向量XXX我我X不e不ee1e2额额e;;mi¼1XXmij15oiOoiOoieeieI12M1324G.P. Hegde等人/工程科学与技术，国际期刊19（2016）1321Gabor滤波器从人脸图像中提取丰富的纹理内容一般来说，Gabor滤波器也称为Gabor小波[39]。Gabor幅度信息可以捕捉面部结构，相位信息可以给出面部纹理的详细描述[37，38]。3.1. SWFLDA简介其中包含由于光照或面部表情引起的变化，通过对奇数对称样本集和偶数对称样本集进行如下白化变换，将常规PCA特征空间变换为加权PCA特征空间，可以平等地对待各个分量，使各个分量具有相等的方差，如[46]所给出：Qo ¼ ^-1=2Tt 1/4k-1=2wo1;k-1=2wo2·· ·k-1=2w或1/7 wPCA是一种标准的基于特征脸的流行算法，用于降维和特征提取[17]。找到o o o1o 2或oo对称加权FLDA对给定的特征数据集进行PCA变换。在主成分分析子空间中，主成分变异较大这就导致了LDA子空间中特征数据的类别判别问题。 设G =（g1，g2，. . ，g i，.. . ，gN）表示n×N组合Gabor特征数据集矩阵，其中gi是一个com-i，a×b面向量的n维二元Gabor面向量Qe 1/4 ^-1=2Tt 1/4周k-1=2周e1;k-1=2周e2·· ·k-1=2周8周这里Qo和Qe是WPCA特征空间的奇对称图像和偶对称图像特别地，WPCA特征空间中的奇数或偶数对称图像的表示给出为[47]戈伊 1/4Qo zoi;zoi<$Qt goi;格埃 1/4Qe zei;zei¼Qt gei矩阵，m是组合Gabor人脸向量的平均值，N是输入的不同组合Gabor特征数据的数量zztzt不O你好QQ Qediag10图像数据集中的样本PCA的投影矩阵[22]给出为Ni½ei;oi] ¼;佐伊1/2e;o];联系我们半^e;^o]nÞSPgi-mgi-mT 11/1g½Q;Q]普希茨河（c）zi¼Qtgð11 Þ通过对主成分施加对称权值，使特征值均匀分布，以均衡主成分方差，解决奇异性问题。在[46]中进行了对称加权PCA表示。在这项工作中，组合Gabor数据集图像是gi1/2g1;g2;gM]与镜像对称组合Gabor图像集为gs;gs;·······················gs]：。所以第i个图像可以被解码-假装成。g g gi伊埃奥佐爱伊对于对称加权PCA[46]中的特征选择，按升序或降序对特征值进行排序，选择对应于第一个最大特征值的最大特征向量。由于加权偶对称分量的方差（对应于特征值）大于加权奇对称分量的相关分量的方差，因此自然地首先考虑偶对称分量，然后考虑奇对称分量，如果必要的，否则丢弃。 PC的所有零本征值I ¼大井ei：. 奇对称图像可以是部件被淘汰。并且甚至对称图像也可以表示为g e1/2。这里i = 1，2，3，.. . M.奇对称样本集为（GO1，GO2，GO3，. . ，g oM），并且甚至对称样本集是（ge1，g e2，g e3，.. . ，geM）都是通过镜像对称变换从原始训练样本集奇数和偶数集合可以定义如下[46]N公司简介goi-mo1/1N联系我们ðgei-meÞðgei-meÞTð3Þ1/1在几种表情分类方法中，Fisher线性判别分析（FLDA）发现统计特征提取的重要作用。通过限制训练样本的总数，使鉴别特征空间保持最大。当类内散布矩阵的秩小于特征个数时，类内散布矩阵或类内协方差矩阵变为奇异。从而产生训练样本有限和维数降低的问题。正如在论文[22]中提到的，LDA通过最大化类间距离同时最小化类内距离来分离不同组的样本。类间矩阵Sb可以给出为C其中，SP<$SoP<$SeP，因此SP上的特征值分解为Sb¼XNimi-mmi-mT12等于SoP和SeP上的特征分解。因此，图像gi可以由SoP和SeP的特征向量重建。与1/1类内散布矩阵Sw可以定义为：关于本征理论，假设所有的非零本征值，CCNiSoP和SeP是koi和kej，并且对应的特征向量是沃伊）. 转换-EP）和j = 1.. . 秩（SoP其中i = 1.. . 秩（S和WEJ从上述论证中导出了奇（To）和偶（Te）对称样本集的权重矩阵，Sw<$XNi-1Si<$Xmij-mimij-miT131/1联系我们其中，mi，j是来自类别Ci的n维模式j，并且Ni是来自类别C i的n维模式j。To½wo1;WO2· ···woro ];^o第1页;KO2;······k或oÞ ð4 Þ来自类别Ci的训练模式的数量，并且C是总数类或表达式组。总平均向量由下式给出：Tewe1;we2· ···were];^eggh eke1;ke2;· ·· ·kerh ehehehe¼ ½其中ro= rank（SoP），re= rank（SeP）。奇数和偶数对称图像的表示可以表示为，m¼NNi 141/1CNiG公司简介 ;P¼T g ;G公司简介 ;P¼T g6上面，Poi和Pei是第i面组合Gabor图像的奇对称特征和偶对称特征。为了减少主成分的影响，向量mi和矩阵i是类矩阵的无偏样本均值和在上述等式中，（14）和（15）N是样本总数，即N=N1+N2+N3+-NC。它oieieiei1/1;第1页-X不-SWSWSWS-C我BSW不B-1不我我FLDA不 不PCASWPCAPCABSWPCA不秋千秋千PP P jð Þ ¼S¼XX/g-m/g -m25¼PCAbswG.P. Hegde等人 /工程科学与技术国际期刊19（2016）1321-13331325重要的是要注意，类内散布矩阵Sw定义了等式（1）。（13）本质上是标准合并协方差矩阵乘以标量因子（N C），并且散布矩阵内的对称加权变为CSsw Ni-1SiN-CSp161/1FLDA的主要目标是找到一个投影矩阵PFLDA，使类间散布矩阵的行列式与类内散布矩阵的行列式之比最大化[32]（FisherPFLDA¼arg maxjP SbPj17PSW其中P是PCA协方差矩阵的投影，具有不等方差分布。FLDA子空间中的投影，即PFLDA实际上是以下本征系统问题的解决方案[32]。Sb P-Ssw PK<$018两边都乘以S-1，等式（18）可以改写为S-1Sb P-S-1Ssw PK¼0mm 19 mmS-1Sb P-PK<$020S-1SbPK21如果散布矩阵内的特征向量是非奇异的，则特征向量对应于矩阵（Sb+Ssw）1的最大特征值的集合。SB. SWFLDA的问题是在非线性区域下局部图像信息的保持这可以通过构建KLSWFDA来扩展，如第3.1.1节所示。3.1.1. KLSWFDA的建设在本节中，核局部保持对称加权Fisher判别分析（KLSWFDA）在高维核域空间中找到向量的投影，以使该空间中的FisherKLSWFDA的思想是解决SWFLDA的问题，并且在由如（23）中的非线性映射构造的隐式特征空间F中。核区域中的Gabor面部图像数据集的特征空间F可以被定义为：/g/g1;/g2·· ·;/gn]23/：g 2 R N！ /100g/2 F在实现中，隐式特征向量f不需要为了明确地计算，而是通过用核函数k（x，y）=（f（x），f（y））计算F中的两个向量的内积来实现。设g是具有n个元素和C个类的输入Combinational Gabor特征数据集的向量，并且in表示第i个类中的样本数。g i的映射记为fi= f（g i）。 在F均值中执行FLDA以最大化以下Fisher判别函数，核判别分析的目标函数如下所示：UT S/ U其中P和K分别是S-1S. 换句话说，等式（21）表明，如果S是一个非-J Uarg maxbUwTS/Uð24 ÞSW B秋千秋千奇异矩阵，然后Fisher准则中描述的方程。当投影矩阵P FLDA 组成的S-1Sb的特征向量，至多（C-1）个非零对应SW在类核空间内，对称加权散布矩阵被给出为C特征值这是FLDA的标准程序。性能如果与特征空间的维数n相比，只有有限数量的总训练观测值N，则标准FLDA的性能可能严重下降。由于类内散布矩阵Sw是（N-C）或更少线性无关向量的函数，因此其秩为（N C）或更小。因此，S w是奇异矩阵如果N小于（n + C），或者类似地，如果N不是（n + C）的至少五到十倍，则可能是不稳定的。 Fisherfaces子空间方法本质上是一种两阶段降维方法。首先，使用主成分分析（PCA）[39]将原始向量空间中的人脸图像投影到较低维度的空间，然后应用线性判别分析以找到PCA子空间上的最佳线性判别特征或者换句话说，PCA子空间被变换成FLDA子空间。让我们考虑Ppca是从原始图像空间到PCA子空间的投影矩阵，并且PFLDA是通过使下面给出的比率最大化而获得的从PCA子空间到FLDA子空间的投影矩阵[32]。/下一页西南一区i½ 1g2Gif矩阵是对称加权的类内散布矩阵，其概念在上面的3.1节中说明。类间散布矩阵可以给出为S/¼XNim/-m/m/-m/261/1其中，Gi是来自第i类的样本的数量，mi是第i类的质心，C是类的数量，mi是全局质心，g是特定类的向量，Gi是第i类的样本集合。S1表示表达式类内的对称加权分散度，并且被计算为每个类的协方差矩阵的总和，而S1表示表达式类之间的分散度，并且被计算为每个类的均值核域空间通常有一个不T比输入空间的维数高得多。Parg maxjP PpcaSb Ppca PjPjP PpcaSSWPpcaP j（22）类似地指出，如果PT SSW PPCAð22 Þ是一个非奇异[58]允许在核域空间中计算算法，而无需显式地评估映射，只要算法可以用输入空间中向量的点积来表示。矩阵然后的Fisher标准是最大当投影矩阵PLDA是组成的的特征向量CUP SPÞCUPS P与（C-1）至多非零对应的本征值相乘。然后，如果保留的主成分的数量从至少C变化到至多N-C，PCA特征，则克服类内散射矩阵Sw的奇异性问题。在PCA空间中，特征值的不均匀分布导致类间散布矩阵的特征区分度降低。因此，采用对称加权主成分策略。如果LFDA通过采用下面定义的“亲和”矩阵来保留嵌入中的邻域关系对应于最大特征值k的优化解J（U）可以用广义特征值问题来说明。S/UikiS/Ui 27因为特征向量是f（gi）的线性组合，所以存在系数ai，使得n我XX×我公司简介我IJ我JD轴槽X轴槽1326G.P. Hegde等人/工程科学与技术，国际期刊19（2016）1321U¼Xa/mm28mm1/1令a =[a1，a2，.. . ，a3]，可以证明Eq.（24）相等到对于组合全Gabor子空间训练和测试，计算图像数据集最终得分加权矩阵，然后将欧几里得距离评估为e2½ kWCEGKLSWFDAQ -WCEGKLSWFDATk241aTKLbK a其中W和W是最终投影矢量aopt¼arg maxTðwÞð29ÞCEGKLSWFDATCEGKLSWFDAQaa KLK a相应的广义特征值问题是KLbKakKLwKa30其中K是核矩阵K1/4kg;g;Lb和Lw定义为：Lb Db-Wb31Lw Dw-W w32其中W（b）是邻接图之间局部的权矩阵，W（w）是邻接类内局部的权矩阵D（b）和D（w）都是对角矩阵，它们的元素分别是W（b）和W（w）n训练和测试组合的整个Gabor子空间图像的得分权重矩阵。计算具有较低欧几里德距离的图像集。在此图像上用较低的阈值重新执行操作，以获得具有与定义的图像更接近的表达式的图像。表达式图像中具有最低欧几里得距离的图像将被表示为结果表达式。Sion图像使测试表情图像与训练图像基于欧氏距离度量和基于RBF核的SVM分类器[41]，对面部表情进行分类。4. 实验测试及结果分析4.1. 使用的数据库为了分析其性能，进行了实验B biiIJ第1页nð33Þ拟议办法对三个公共数据库的影响如下。所提出的方法已经过测试，JAFFE，YALE和FD与不同维度的基线特征数据集。DwXWwð34 Þ第二节第1页因此，核线性鉴别分析问题转化为求k_KL_w_K_K_k-1_KL_b_K的首特征向量问题;每个特征向量a给出特征空间中的投影函数U。对于新的数据点g，其在特征空间F中到U上的投影可以通过下式计算：nfU;/ggaif/gi;/gg351/1n¼aik ðgi;gÞ ð36Þ1/1在表情识别期间奇异性问题得到解决因为通过消除零特征值，使得矩阵KL_w_K和KL_b_K保证非奇异。因此，所提出的方法解决了奇异矩阵概念的问题4.1.1. 后节段融合技术从组合Gabor幅度空间和组合相空间部分的投影子空间获得的最终分数使用z分数归一化进行归一化并融合在获得最大归一化分数并用于计算欧几里得距离。4.1.1. JAFFE数据库在这项工作中，日本女性面部表情（JAFFE）数据库[61]用于实验。该数据库包含7个面部表情的213张图像。六种表达方式是基本的一种是中性的面部表情所有的表情都是由10位日本女性模特以256 *256的分辨率摆出的。每幅图像都由60名日本受试者根据6个情感形容词进行评分。在这项工作中，该数据库中的所有图像进行预处理，以获得纯净的面部表情图像，具有归一化的强度，均匀的大小和形状。照明和照明效果也被删除，如[43]所示。在这项工作中使用的预处理过程执行自动检测面部特征点，包括眼睛，鼻子和嘴。最后采用直方图均衡化技术消除光照影响。图2示出了JAFFE数据库的预处理和调整大小的裁剪样本。4.1.2. YALE数据库该数据库YALE包含每人11张图像，用于15个独立的图像，总共165张图像。这个数据库中的图像 此数据库中图像的原始大小为243320像素，256灰度级。对于实验，这些图像的尺寸缩小到64 *64像素。在这项工作中，六个表情被用于实验，如高兴，惊喜，NSCGMKLSWFDACGMKLSWFDAS-1系列CGMKLSWFDAS系列标准品CGMKLSWFDASð38Þ悲伤，眨眼，睡眠和中性。在不进行直方图均衡化操作的情况下，共考虑了90幅图像用于实验。耶鲁大学数据库的一些样本如图所示。3.第三章。NSCGPKLSWFDAS-1型CGPKLSWFDA型标准品CGPKLSWFDASð39Þ4.1.3. FD数据库其中（CGMKLSWFDA）S是组合Gabor幅度核局部保持Fisher判别投影子空间的相似性得分矩阵。类似地，计算了Gabor相位核局部保持Fisher判别（CGPKLSWFDA）的相似性得分矩阵.采用后级融合技术生成组合全Gabor子空间矩阵在这项工作中使用的另一个数据库是面部表情人脸数据库（FD），它由13个主题组成，每个主题都有75张不同表情的照片该数据库共有975张图片。在这项工作中，使用了500幅图像，10个主题，五种表情，如快乐，惊讶，愤怒，悲伤和中性。每个表情类有100个图像。为了实验，所有的图像WCEGKLSWFDA 1/4最大值1/2英寸CGMKLSWFDA公司简介]进行了预处理，这些图像的大小被缩小到92 * 92像素大小如图4所示。¼1327见图4。 大小为92 * 92的FD表达数据库的样本图像（预处理）。4.2. 测试结果在这项工作中，使用径向基函数（RBF）核技术的支持向量机分类器（SVM）[41]被实现来对表达式进行分类。为了创建输入数据集，所有210个图像JAFFE数据库的90幅图像、YALE数据库的90幅图像和FD数据库的500幅图像。在这项工作中，特定的表情图像识别使用训练和测试图像之间的欧氏距离度量。采用所有的公共数据库进行了测试与所有的子空间模型和提出的方法。除了考虑最高识别率的特征向量维数的急剧减少之外，已经注意到并观察到与表情识别有关的识别率的相当大的改进。所提出的方法的性能进行了比较与国家的最先进的方法列出在表1和表2中。文献中提到的关于Gabor + PCA + LDA的工作与这种方法有关，但在找到合适的解决方案后，分散矩阵中的奇异性问题并没有集中在降维上。将简单的Gabor特征与PCA、LDA特征进行融合，识别准确率较高。基线法不能有效解决几何信息和Gabor滤波纹理信息融合数据集的人脸特征判别问题。PCA和LDA等基线方法在对高维数据进行降维或投影到子空间的同时，可以保持特征的全局性质。但PCA和LDA基线方法不能保持这可以通过所提出的方法来实现。 将Gabor滤波器的相位部分与几何特征相结合提算法能减少了相位和幅度部分与几何特征融合时产生的冗余数据。与基线方法相比，采用的表示法可以增强鉴别信息。所采用的方法与相关方法的比较见表15。在这项工作中，基线特征创建的8维几何特征向量（上面的部分）与Gabor滤波器的幅度部分融合。剩余的8维几何矢量（下表面部分）与Gabor滤波器的相位部分融合.然后计算每个输入数据集的总维数.发现特征尺寸分别如表3在此阶段不考虑识别准确性，因为如果识别准确性更高，我们的目标将不完整根据这项工作的目标，我们只需要在子空间分数融合级降维过程中的识别效率。因此，未考虑基线方法。在这项工作中，3个公共数据集被认为是实验。所有的数据库都有不同维度的图像。 我们检查了不同的图像维特征数据集的子空间方法，具有不同的Gabor滤波器参数，即尺度数和方向数。高m和n值的Gabor滤波器产生较高的纹理特征，影响并导致识别精度的提高。实现部分的工作已经进行了支持向量机分类器，考虑欧氏距离作为计算匹配特征度量。支持向量机留一法具有更好的识别精度，这将是整个子空间方法的最佳分类方法。基线方法的识别精度可能会得到相同的识别精度从建议的方法。G.P. Hegde等人/工程科学与技术，国际期刊19（2016）1321图二、JAFFE数据库的检测和裁剪人脸样本图3.第三章。YALE数据库大小为64 * 64的检测和裁剪人脸样本1328G.P. Hegde等人/工程科学与技术，国际期刊19（2016）1321表5FD数据库的Gabor滤波器参数和特征向量维数天平数量（m）方向数（n）Gabor滤波器尺寸（GFmn）Gabor滤波特征向量维数几何特征向量维数组合Gabor特征向量维数5420169,28016169,2963824203,13616203,1523412101,56816101,5845840338,56016338,576但对于不同表情的个体表情识别率，该方法给出了良好的正确率。表7在m= 5和n= 8时，JAFFE数据库的子空间方法的性能。识别不同的表情。这是由于在所提出的方法子空间方法整体面部表情识别率（%）（OFERR）分类时间（秒）（CT）降维在子空间转换过程中。在所提出的方法分类的时间性能也得到改善相比，基线的方法。但底线方法CEGPCA国际电信联盟CEGKPCA由于在Gabor特征中加入了主成分分析，因此基线方法的准确率更接近于所提出的方法。但是嘉宝+ PCA + LDA方法完全消除了散布矩阵之间的零特征分量，并完全保留了两个散布矩阵的局部信息，没有解决奇异性问题。在本节中，研究所提出的方法的性能，用于从JAFFE，YALE和FD数据库中识别CEGPCA，CEGICA，CEGKPCA，CEGLPP，CEGFLDA，CEGLFDA，和CEGKLFDA方法进行了比较。这些子空间方法已经被构建用于从如表 3适 用 于 CEGLPP 、 CEGKPCA 、 CEGLFDA 、 CEGKLFDA 和CEGKLSWFDA算法最近邻数k被设置为7，其中R的值被设置为0.5。子空间方法（时间和空间测量）的性能分别在表6-8中针对FD、JAFFE和YALE数据库给出图图5-7分别示出了子空间方法在JAFFE、YALE和FD数据库的总体表达识别率方面的比较。JAFFE数据库的整体面部表情识别率为97.14%，YALE数据库的整体面部表情识别率为83.84%，FD数据库的整体面部表情识别率为93.33%。从结果中可以看出，CEGKLSWFDA提出的方法始终优于CEGPCA，CEGICA，CEGKPCA，CEGLPP，CEGFLDA，CEGLFDA和CEGKLFDA表达识别方法。JAFFE数据库、YALE数据库和FD数据库的个体面部表情识别准确率的比较在图1和图2中呈现。分 别 为 8-1 0 。从表9中可以看出，CEGKLSWFDA97.140.929表8YALE数据库在m= 5和n= 8时的子空间方法的性能。子空间方法整体面部表情识别分类时间（秒）降维特征比率（%）（OFERR）（CT）载体（DRFV）CEGPCA61.080.99763CEGICA64.800.91263CEGKPCA68.520.92963CEGFLDA75.780.92963CEGLPP72.270.80263CEGLFDA77.150.79763CEGKLFDA81.380.75854CEGKLSWFDA83.840.74554表6子空间方法在m= 5和n= 8时对FD数据库的性能子空间方法整体面部表情识别分类时间（秒）降维特征比率（%）（OFERR）（CT）载体（DRFV）CEGPCA79.461.967175CEGICA80.801.935175CEGKPCA82.021.781175CEGFLDA85.941.209175CEGLPP84.281.126175CEGLFDA89.461.098175CEGKLFDA91.201.012150CEGKLSWFDA93.330.989150图五.不同子空间特征向量降维的JAFFE人脸表情识别率比较方法m= 5，n= 8。JAFFE数据库中厌恶、高兴、悲伤、惊讶和中性表情的识别率为100%。而愤怒、高兴和恐惧表情的识别率为93.33%。这可能是由于混淆了悲伤和厌恶的表情。YALE数据库混淆矩阵见表10。从这些结果可以看出，总体识别率为83.84%。对高兴、惊喜表情的正确识别率（CRR ）为100%.对于悲伤和睡眠表情（闭上眼睛）的识别率为77.78%。眨眼表情的CRR为66.66%，中性表情的CRR为80.88%。发现降维向量大于拟定值CEGFLDACEGLPP90.4588.080.8741.010126147这种方法可能会消耗更多的内存空间和更大的分类，CEGLFDA93.450.997147阳离子时间。在LDA的大多数基线方法特性中，CEGKLFDA95.830.982126G.P. Hegde等人 /工程科学与技术国际期刊19（2016）1321-13331329见图6。YALE数据库中不同子空间方法的特征向量降维的整体面部表情识别率比较m= 5，n= 8。见图7。不同子空间方法的特征向量降维对FD数据库的整体面部表情识别率的比较m= 5，n= 8。同样，FD数据库的个体表达准确率见表11。从该表中已经注意到，对于高兴和愤怒表情的识别率为96.67%，对于惊讶表情的识别表 达 是 100% 。 悲 伤 和 中 性 表 达 的 CRR 为 86.67% 。 本 文 分 析 了CEGFLDA 算 法 的 性 能 优 于 CEGPCA 、 CEGICA 、 CEGKPCA 和CEGLPP算法。它表明，它总是必要的discriminate- inate有效识别使用类标签信息的功能。虽然CEGLFDA算法优于，CEGFLDA，算法的方法，通过使用局部子空间结构和类标签信息，它仍然是一个线性算法，是不足以描述非线性的人脸图像空间，由于高度可变的图像内容和风格。因此，它的性能更差，比基于内核的KLSWFDA算法更弱。基于SVM_RBF核函数，采用“留一”策略，得到模糊矩阵.它展示了正确的和错误的分类表达式。它还指出，所提出的方法的分类时间（CT）是较少的相比，其他方法。采用本文提出的方法可以处理散布矩阵内的SSS问题或奇异性问题。比较了子空间学习方法在特定特征维度上的识别效率，分析了它们在数据库上的优缺点。这个特征维度取决于有多少图像被考虑用于训练。例如，对于YALE数据库，90幅图像被考虑用于实验。对于所提出的方法，简化特征向量为54，表明对于该值，实现了最高识别。因此，在54维减少的特征向量的建议方法，它可以提供更高的效率和更少的分类时间。如果特征的数量继续增加，那么SSS问题就会出现。这项工作估计这个问题，在建议的方法。因此，每一个子空间方法进行测试与数据库中考虑的训练样本的数量大于测试样本。即使在较大的特征样本中，该方法也能产生很好的效率。其他方法如CEGFLDA ， CEGLFDA 和CEGKLFDA是流行的类判别方法，但由于SSS问题的不完整解决方案，对于更