MPMFFT集成概率模型：人脸表情分类的数据挖掘模型

沙特国王大学学报基于MPMFFT的 DCA-DBT集成概率模型人脸表情分类Kapil JunejaMaharshi Dayanand University，Rohtak，Haryana 124001，India阿提奇莱因福奥文章历史记录：2017年3月4日收到2017年10月8日修订2017年10月17日接受2017年10月25日在线发布保留字：面部表情纹理统计DCA-DBT人脸识别A B S T R A C T面部表情是反映人的行为、意图或反应的可视特征面具。本文提出了一种适合于表情识别的数据挖掘模型MPMFFT（Multiple Pattern Multiple Features based Feature Transformation）集成模型。该模型将人脸信息转化为22个聚合特征。这些特征包括纹理、几何、数学和结构特征。在整个面部区域和表情敏感的所选面部片段中捕获特征。为了获得的功能，三个局部区域提取模型上使用广泛的和响应的面部区域。这个完整的特色组成了一套132个特征。 这种变换后的数据形式是在危险理论下处理的。首先，DCA（树突细胞算法）准备生成特征模式，以确定安全和危险合格的特征。在此之后，每个细胞组下DBT（Dempster信念理论）进行处理的综合特征权重分配的基础上映射到expres-sion类。这种加权和细胞形成的数据集，最后处理概率实现下，使用贝叶斯网。实验在JAFFE、CMU和CK数据集上进行。针对决策树、SVM和KNN方法对个体表达式进行了实验观察。对比结果表明，该模型提高了对不同表情的识别精度.©2017作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍面部表情是用于不同应用的不同方面的通信介质。人的思想、行为、意图和注意力可以通过观察面部表情来识别。许多受生物识别启发的应用程序使用这些表情敏感特征作为参与应用程序的人。表达式（Bartlett等人，2006）是表示同意的手势愤怒，意愿，幸福和痛苦（曼索尔例如，2012年a、b）。无需询问即可记录人员视图一个问题或不打扰他的日常工作。如上课时的兴趣观察或游戏中的参与评价。患者处于无意识状态或沉默*地址：307，Sector 14，Rohtak，Haryana，India.电子邮件地址：gmail.com，ieee.org一个人的行为、需求和痛苦可以通过不表达而被键入。如今，生物识别认证不仅限于面部识别，还将其与人的情绪相结合，从而可以识别力的情况。表达式（Banu等人，2012）大致分为两种情绪（Meftah等人，2012; Petpairote等人，2013）类称为积极和消极的表现。每个表情都会改变面部结构。表1列出了一些最常见的面部表情、相关情绪和预期的结构变化。为了在实时应用中识别这些表情，需要一些智能机制来准确地获得面部特征。应用图像处理操作来生成这些相对特征。表达识别（Xu等人，2014）重叠了不同外貌和坐姿的面部结构变化。不同情感形式的相似性，例如一个人可能会因为一些好消息或坏消息而感到惊讶。这种表达包括同时表达一种或多种情感。在不同的面部组件薄的特征线是目前区分这些表情。一个特征组件无法提供准确的表达式识别。https://doi.org/10.1016/j.jksuci.2017.10.0061319-1578/©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comK. Juneja/ Journal of King Saud University619表1不同表达的结构观察。表达相对情绪观察结构变化表情在本节中，面部表情和相关结构观察的意义进行了讨论。在第2节中，由早期研究人员定义的面部表情识别的工作-快乐的微笑，喜悦，高兴，满足，高兴，忧郁愤怒的，烦恼的，愤怒的，烦躁的，愤怒的第1113章伤心，沮丧，难过，悲伤，悬念惊讶困惑，严肃，震惊，乐观，神秘● 暴露牙齿● 唇间间隙● 皱纹从鼻子到嘴唇● 抬起脸颊● 眨眼● 低眉● 硬盯着眼睛● 眉毛之间的垂直皱纹● 闭合唇部● 扩大鼻孔● 半睁着眼睛● 缩脸颊● 闭口● 睁大眼睛● 额头皱纹● 闭眼● 上颏● 开唇描述了测量和统计方法的实现。第三节探讨了DCA-DBT的主要战略方法。在第4节中，用中间阶段解释了所提出的基于MPMFFT的概率模型。在第5节中，讨论了在不同数据库上应用的第6节介绍了结论和今后的工作范围2. 相关工作认证系统并不是面部识别系统的唯一应用。在采用面部识别作为主要的个人识别系统之后，研究人员的下一个研究是面部表情。在早期阶段 ，表 达 是一 个 挑战 （Mansor 等 人， 2012 b; Banu等 人， 2012;Meftah等人，2012年）的识别过程和表达恐惧恐怖，悲观，怀疑，●扩大嘴唇● 闭眼● 上下颏● 缩唇识别用于面部识别的不变方法。但后来，研究人员将这种表达特征（Banu et al.，2012; Meftah等人， 2012）从脸上， 并使用它们individu-厌恶无聊，生气，严肃，讽刺，可疑● 皱眉● 瞳孔矛盾● 上唇回缩● 下嘴在不同的应用中。在这些表情的基础上，对隐藏的情感和情绪进行了识别。这种从面部分离的特征是将表情面部包裹到中性面部的面（Petpairote等人， 2013年）。首先，识别特定● 关闭嘴唇1.1. 动机面部表情是最具表现力的视觉信息，即使对于婴儿，无意识的人，身体残疾的人也可以识别。它被认为是表达情感的语感。为了识别个人的行为、同意或要求，需要自动且准确的表达识别系统。面部特征更敏感，有时由于环境因素或相机质量而隐藏。通过观察这些问题，本文提出了一个更鲁棒的表情分类模型。1.2. 拟议工作本文对人脸图像进行了提取，得到了约22个特征，包括描述性特征、定量特征、纹理特征和结构特征。这些特征是通过将图像划分为更小的区域来获取的。区域划分采用块体法、圆形法和PI形法。在生成大量的统计数据集之后，DCA-DBT被应用于生成量化、规则和每个区域特征对特定表达类的资格。在最后阶段，使用贝叶斯网络模型在关联条件概率度量下分析生成的DCA-DBT权重。该工作模型应用于三个复杂的面部表情数据集，并能够识别七个表情显着。与一些已知的和最新的表情识别方法进行了比较观察，验证了所提出的模型提供了更强大和准确的结果。在本文中，对应于这些重叠的情感方面，广泛的定量观察收集了分割的面部区域。为了生成特征，使用三种算法方法在面部图像上生成图案区域对每个区域模式提取结构特征、描述特征、数值特征和纹理特征。最后，将DCA-DBT集成贝叶斯网络应用于人脸表达式完成，稍后在专用表达式上处理 作者（Banu等人， 2012）应用结构和曲线公式化方法来识别类属表达式。作者分析了几何观察，以确定与无表情的脸的差异。量化的措施，应用曲线拟合分类各种表情。作者（Meftah等人，2012; Petpairote等人，2013年）致力于不同形式的负面情绪。作者运用描述性特征将抑郁症定性为一种负性情绪。一个复杂的行为观察与维观测提供识别正交表达式。疼痛是研究人员处理的另一种特殊表达，用于识别幼儿的健康问题这些婴儿无法交流，需要持续准确地评估疼痛。作者定义了一种采用特征的神经网络模型用于疼痛识别. 作者（Whitehill et al.， 2014）将面部识别系统作为集成应用程序应用于识别学生对课程的参与。作者分析了统计行为，并确定在系统中的参与。人脸识别或表情分类的质量取决于人脸特征。特征不仅可以识别出特征明显、更具代表性的人脸信息，而且可以减少处理集的规模。（Wan等人，2014）在投影方向上使用成对成本分析来生成区分特征。作者使用多类代价敏感学习来减少贝叶斯误差。（Liang等人，2014）在对比度、平滑度、同态过滤特征下生成归一化的面部特征。作者采用了多个子空间滤波器，利用传统的方法来产生这些特征。作者（Taheri等人，2013）使用特定分析来识别面部并对面部表情进行分类。提交人申请一种联合字典驱动的分类方法。字典的形成是由作者完成的中性面孔和表情特定的面孔。作者提供了一种用于基于签名的表情识别的量化方法（Dornaika等人，2013年）。为了提高识别性能，本文提出了一种降维方法，用于姿态和光照鲁棒识别。作者在三维人脸数据库上应用了这项工作，并通过改进性能向量获得了高精度的结果。概率620K. Juneja/ Journal of King Saud University面部动作识别和建模的框架由Tong等人（2010）提供。作者将头部运动、面部运动和面部表情集中刻画，从而形式化描述面部动作.提出了基于主观知识的视觉测量方法。面部表情（Khan等人，2016）分类是本文涉及的核心方面。该识别系统包括特征探索、特征提取和分类三个阶段。人们已经对每个相关的工作阶段进行了大量的研究，以提供一个有效的表达分类。这些研究的有效性得到了不同认证数据集的认可。早期研究人员提供的用于特征生成和表达分类的一些研究方法如表2所示。该表还定义了验证研究的数据集本文涉及了精度和性能向量方面这项研究工作的主要贡献列在下面1. 本文提出了一个框架，将图片信息转换为数字特征形式。数值数据的处理性能更有效。在分布式体系结构中，识别过程的信息传输相对更安全且空间有效。2. 基于量化特征的模型基于22个特征，以覆盖不同的信息方面，包括纹理特征、数学特征和结构特征。这些特征是从独特的模式特定的局部区域提取方法中收集的。收集了132个特征的庞大特征集，以便模型提供第5节中讨论的更准确的结果。3. 危险理论的实现提供了更多面向决策和贡献的特征的选择，因此将为它们分配这些特征的强度根据重要性级别而不同;因此期望从系统获得更准确的结果。4. 概率方法提供了相对于表达式类的条件观测和相对观测。贝叶斯网对智能数据的整合能够产生准确的结果。3. 危险理论危险理论（Greensmith等人，2005，2008; Sharma等人，2014）是从人工免疫系统中提取的现象。在这个假设中，人体组织细胞处理危险信号的行为是在一个环境中模仿的。当一些信号产生时，它必须在表2相关研究方法探索。作者包括的表达式特征生成方法分类/识别方法数据集（Petpairote等人， 2013年度）中性，快乐，愤怒，厌恶，地标像素PCA + NNAR-面部（Taheri等人， 2013年度）第1006章惊喜，悲伤，恐惧中性，快乐，愤怒，厌恶，薄板样条包络算法数据驱动字典，LDA +NN LBP +NN基于字典的组件MUG-FEEDCMU（Dornaika et.例如，2013年度）第1006章惊喜，悲伤，恐惧惊讶，悲伤，厌恶，喜悦，愤怒组件分离算法动态时间包络分离算法PCA + LDACK+CMU国产视频（郑等）例如，（2015年）（埃尔南-马塔莫罗斯）愤怒、厌恶、恐惧、惊讶、悲伤、喜悦中立，快乐，愤怒，害怕，用于专业面部的多任务面部推理模型基于聚类和模糊逻辑的低Cohn-KanadeBU-3DFEOulu-CASIA VISKDEF例如，2016）（Chen et al.，（2008年）（Yu和Bhanu，2006年）失望，悲伤，惊讶快乐、愤怒、惊讶、恐惧、厌恶、中性、悲伤中立，快乐，悲伤，恐惧，惊喜，区域基于Haar和全局特征遗传组合Gabor特征复杂度分类器混合Boost算法SVM分类器费雷特·贾菲（Zavaschi等人， 2013年度）愤怒厌恶正常，愤怒，惊讶，恐惧，快乐，Gabor和LBP特征SVM分类器谢斐（Lopes等人，（2016年）悲伤，厌恶惊喜，快乐，悲伤，厌恶，愤怒，下的预处理规范卷积神经网络科恩-卡纳德谢斐（Liang等人，（ 2005年）恐惧厌恶，快乐，中立，愤怒，裁剪、旋转、下采样、强度调整监督局部线性嵌入最小距离分类器CK+BU-3DFEJAFFE第1006章惊喜，恐惧，悲伤（SLLE）（Kotsia等人，（2008年）（Siddiqi等人，（2015年）愤怒，厌恶，恐惧，悲伤，惊讶，快乐快乐，厌恶，悲伤，惊讶，愤怒，Gabor滤波器线性和非线性特征使用DNMF和SVM隐马尔可夫模型科恩-卡纳德·贾菲谢斐（Fan和Bouguila，恐惧愤怒，厌恶，快乐，恐惧，悲伤，线性判别分析GD混合模型与LBP特征期望传播推断Cohn-KanadeUSTC-NVIEFER科恩-卡纳德（2015年）惊喜美元（Kumano等人，（2009年）（Saha等人，（2015年）中性、愤怒、厌恶、惊讶、恐惧、快乐、悲伤愤怒，快乐，中立，惊讶，恐惧，边和配对点，配对兴趣点，视觉组合特征基于显著点的轮廓映射LDA、PCA + LDA、KNN、PCA + KNN科恩-卡纳德谢斐（Ghimire等人，（2016年）厌恶，悲伤愤怒，快乐，中立，惊讶，恐惧，LBPSVMNEICK+（Patil等人，2014年度）厌恶，悲伤快乐，惊讶，愤怒，厌恶，NCM基于几何位移SVM科恩-卡纳德中立，恐惧，悲伤候选线框模型IMM（Song et.例如，（2010年）（Uddin等人， 2014年度）中立，快乐，愤怒，惊讶，悲伤愤怒，悲伤，惊讶，快乐，厌恶，基于距离和边缘的人脸特征局部方向图特征SVM嗯谢斐基于DSP的DBFER恐惧从连续深度面K. Juneja/ Journal of King Saud University621死亡信号和安全信号这种危险理论直接负责这些生成的信号的分类。对于分析，使用树突细胞（DC）（Singh等人，2013; Kumari等人，2012 a，b）被形成为应用信号样本的特性、其行为和环境。利用具有后约束的碰撞观测值识别异常信号约束。基于距离度量的分析在这里被应用于对警报或危险信号进行分类。在了解基于应用的实现之前，必须了解这些细胞如何在人体中起作用以保护免受危险信号的影响。人体器官是以细胞因子为通讯通道的组织细胞的集合。这种化学形式也会根据其表征影响组织。化学品的完整效果也取决于周围的液体。每种细胞还通过其评估状态和细胞死亡类型来描述，这影响程序化细胞因子表征。存在于细胞核中的物质是碎片化的，并以秘密细胞的形式控制消化酶。细胞内部的物质维持细胞的完整性和生命。这种整体活动和环境影响可能对免疫系统有害。细胞理论即将识别这些综合的危险约束和安全约束，从而可以应用预防措施。树突状细胞（DC）是白细胞，在组织中充当巨噬细胞并充当抗原的转运体。根据作用和行为，抗原以三种形式存在。未成熟DC是实际上从周围流体收集碎片和约束的初始成熟状态。它作为一个复杂的分子和抗原受体。细胞形式中的不同信号组合可导致细胞的部分或完全成熟如果T细胞周围的细胞因子没有被激活，那么抗原和表达增加。如果这种DC暴露于多个信号，则其被转换为成熟DC。进行细胞调节剂和反应评价以获得成熟DC。如果环境条件不同并且不能产生足够的抗原并且不能以均匀的方式提供与细胞因子的整合，则细胞转化为半成熟DC。半成熟DC的影响是抑制性的，而成熟DC的影响是激活的。现在，由于体内会产生一些信号，因此将其分类为PAMP（P）、安全信号（S）或危险信号（D）。 不同的权重向量、互连约束和小区通信共同识别信号类型并进行相对分类。成熟的细胞通常与危险信号有关，未成熟状态输入信号：：：：对照抗原：：：：Chararacliteral半未成熟状态：：抗原耐受性：：：：过渡行为：：：：成本评估：：：：耐受电导率：：成熟状态：：抗原耐受性：：：：过渡行为：：：：成本评估：：：：无功电导：：危险信号安全型信号图1.一、DCA的抽象过程模型半成熟细胞整合有安全信号。本文以图像特征的数值信息为约束条件，对安全与危险信号形式进行识别。本文应用属性协调来决定细胞的世代，确定成熟和半成熟的细胞形态，最后识别危险和安全信号形态。该DCA算法的算法公式与复杂的免疫学行为相结合。每个工作阶段都以受控的方式进行处理，其特性规范包括信号结构规范、信号表征、处理和分类。条件解释和评估是基于数据集，所需的分类和潜在的类映射。DCA工艺的加工性能如图所示。1 .一、训练数据的早期推导被认为处于不成熟状态。这种状态具有输入信号、基于规则的抗原和特定的行为问题。这种未成熟状态过渡到半成熟或成熟状态。规则被应用于识别被转换的状态。输入信号中安全信号和危险信号的包容性决定了转换过程。基于上下文的抗原过程与模式观察被应用于该信号内容验证。对信号进行了怀疑-信念规则处理，实现了对合成状态的识别.通过状态识别，还可以在抗原存在性、耐受性或反应性工作行为以及成本评估方面获得其表征。算法1以广义形式描述DCA的过程方面。算法1：DCA的处理行为622K. Juneja/ Journal of King Saud University算法1描述了使用DCA的信号分类行为。抗原和系数分析可以应用于具有相对类别观察的输入信号以生成信号权重。可以组合这些权重以生成输出单元格上下文。最后，单独的规则可以识别信号的传输状态。这里定义的过程是通用的。第4节描述了其与拟议工作模型的整合。4. 基于MPMFFT的 DCA-DBT综合概率框架智能数据挖掘（Kumar等人，2011）框架。该模型是专门设计来识别不同的面部表情，通过分析面部图像。人脸识别和分类是图像处理的核心概念。本文将图像信息转换为数据形式，提高了系统的性能和可移植性。与该框架相关的主要概念是以数据形式表示图像信息。图2中的框架表示在框架中考虑的输入在图片数据库内。该表达式库首先在全局特征改进和几何尺寸规范下进行调整。利用肤色分割技术提取人脸区域。在该皮肤区域中，应用几何分析来识别核心表情区域。根据表1所述的观察结果，对核心表达影响区域进行裁剪。目前，全脸区域和核心表情区域是人脸特征提取的合格区域而不是捕捉整个图像的特征，三个区域提取方法隐含在两个图像。对于每个提取的区域，提取22个特征这些特征共同能够以数字形式描述图像方面。一旦获得特征数据形式，整个数据集可用于表示面部表情。现在挖掘方法被隐含在转换数据集上，以捕获数据集的特征，生成规则并以各种表达形式对其进行分类。在该方法中，智能DCA-DBT图二. MPMFFT集成框架。K. Juneja/ Journal of King Saud University623×XX⁄综合概率测度。DCA对特征进行分类，以分类影响明显和混淆的重叠特征。这些特征形成了危险细胞和安全细胞。DBT（Kumari等人，2012a，b）提供了一个类定向的关系观测来生成规则集。DBT应用基于权重的映射来为训练集设置规则。基于这些规则的概率措施应用于测试集，以确定表达式类。在本文中，所有的综合数据处理阶段的算法规范进行了探讨。4.1. 正常化面部图像随机环境下获取的人脸图像存在不确定性问题。这些不确定性可以被认为是不相等的对比度（Haralick等人，1973; Lee等人，2013）、变化的亮度、尺寸变化等。为了提高面部特征的强度并提高识别准确度，必须均衡所有的训练和测试图像。归一化是在一定程度上调整这些不确定特征变化的过程。提出了一种随机N块选择和评价方法，用于识别改进需求。当评价强度确定后，应用高斯测度对完整的8 - 8幅人脸图像进行图像均衡。图图3示出了随机选择的图案之一，以评估不同图像区域中的变化。而不是工作在完整的图像，模式块采取有效和准确的分析。这种具有特征增强的模式特定区域划分通过算法1算法1：基于随机块的人脸图像4.2. 表达敏感区域提取为了识别更多涉及的面部表情区域，应用插值方法。为了生成有效表情区域，对归一化的面部图像采取每个可能表情（e）的多个实例（m）。每个人脸图像都被表示为通过n = em表达图像。行向量和列向量观测被用来识别（w）权重。每个权重在包括旋转（RT）、平移（TR）、剪切（SH）和膨胀（DL）操作的多个变换（T）下被分析。在这里，在等式1中示出了与生成的（1）和（2）。t1/2薄膜;y1/2薄膜其中w是分配给特定转换的权重，t是转换类型基于这些权重的内插区域在等式中标识。（二）nfimgx;yfimgi;jtω jwi-fimgx;yj2联系我们这里，w是分配给特定列的权重，t是应用于插值最后通过权值和变换驱动的插值人脸图像，用平滑向量识别能量区域。平滑驱动的组合实例提取的内插表达区域在等式（1）中示出。（三）、样本图像上的结果表达区域提取如图所示。 四、nfimgx;yjwi-fimgx;yjsωfimgx;y3联系我们这里，w是分配给特定列的权重，s是应用于插值块基于这种加权插值方法，识别并提取了表情最敏感区域.现在，每个人都可以使用两个图像集。一个是单独的表达数据集，第二个是表达独立且敏感的加权内插表达区域数据集。每个区域都在下一小节中描述的不同局部区域提取方法下的4.3. 多特征驱动的区域提取这项工作的目的是将面部表情图像数据集到数字特征数据集。这些特征描述性数值信息从归一化的该算法描述了对图像块的观察，并采用对比度分析和高斯包围函数。均值偏差观测得到的改进的动态常数被认为是上下文，以改善图像的图像特征的整体图像。该算法应用于训练集和测试集中的每个原始图像，返回均衡图像集。图三. 随机块选择面部评估。面部数据库和表情敏感提取面部数据库。在这项工作中，三个区域提取方法被应用到划分面部和表情区域。第一种方法是基于平方块的区域划分方法，其中完整的图像被划分为m × n的较小块。每个区块又被进一步划分为九个子区块。该区域中的中心块是特征观察所应用的基本块。对每个子块应用不同的统计观察，其将完整的较大块表示为聚合值。从较大的块中提取的所有数学特征值被组合用于所有块以表示为单个数字特征来表示图像。这些块被应用在面部和表情区域上，如图所示。 5第二种应用于人脸区域的块提取方法是基于环形分割的。在较大的正方形块中的内部区域在这里被圆形区域代替将中心驱动特征分析应用于基于环的区域提取。该区域提取过程在图6中针对完整图像和面部特征图像两者示出。624K. Juneja/ Journal of King Saud University4（a）4（b）4（c）见图4。提取的表情区域4（a）个体的不同面部表情的多个实例4（b）内插的加权表情区域4（c）组合实例分析的内插的表情区域。这两种特征图像都是基于外部平方区域和不同的内部结构。在平方方法中，内部特征提取将基于中心平方区域来应用，而在基于环的区域提取方法中，每个环特征基于环中心来驱动。算法2显示了在面部图像上的圆形和方形块的过程。算法2将图像分割成较小的方形和径向区域，这些区域随后被转换为所描述的数字特征在下一个小节中。第三种算法模型应用于中心特定圆形区域。区域提取过程的视图如图所示。 六、图7在此示出了图像被划分为n个中心特定区域，并且每个区域被进一步划分为m个中心特定区域。算法2：基于块和圆形的区域提取K. Juneja/ Journal of King Saud University6256（a6（b5（a）5（b）算法3表示将图像划分为pi形区域的过程。对于每个提取的区域，定义分析过程以生成数字形式的特征。这些参数和相关特征生成过程将在下一节中进行描述。4.4. 数字特征变换在使用前一节中描述的三种模式为面部和敏感表情图像生成这些区域之后，接下来的工作是从图五.平方聚集区域划分5（a）平方面部块划分5（b）平方表达区域划分。图六、基于聚合环的区域提取6（a）环划分面部图像6(b)基于环分割的表情图像。7（a）7（b）见图7。基于中心环的区域提取7（a）中心环特定面部区域提取7（b）中心环特定表达区域提取。基于圆周覆盖距离的PI形子径向块。算法3描述了基于中心固定环的PI形区域提取方法。每个提取的区域。量化在此应用于纹理特征（Haralick等人，1973;Borras等人，2003）、数学特征（Haralick等人， 1973）、结构特征（Zhou and Huang，2001; Nithya and Manikandan，2013;Hansenand Hes，2007）和描述性特征。为每个基于模式的实例形成一组22个特征。 以这种方式，对于6个图案图像，生成总共132个特征。 所有这些特征都可以用解析形式表示表达式，从而获得轻量的量化数据。本节描述了每个特征和相关提取过程。纹理特征是表示图像的视觉质量的内容表示特征。这种观点是基于特征和外观规范，因此可以描述适应的信息内容。这些特征包括对比度（cT）、微分熵（dE）、和熵（sE）、熵（E）、角矩（aM）、逆微分矩（idM）、强度差（iD）和强度和（iS）。数学特征包括均值（mC）、标准差（sD）、能量（En）、可预测常数（pC）和相关性（Cr）。这些是通过将提取的区域视为矩阵块来获取的。通过数学滤波器提供均匀性和像素差异分析。结构特征描述了内部和外部结构表征。边缘边界提取和高频补丁提取被用来表示结构特征。 信息量观测值的频率计数、强度被认为代表了结构特征。这里包括的结构滤波器是信息增益（iG）、分割信息（sI）、增益比（gR）、幅度谱（aS）和相位谱（pS）。描述性特征是通过深度估计得到的更真实的特征形式，它包括纹理和结构现象。描述性特征包括惯性（In）、簇阴影（cS）和簇日珥（cP）。描述了这些特征的转换和评价表3中列出了公式和重要性说明。这里算法3：基于中心沉降环的PI形区域Rg是使用先前定义的图案提取的个体图像区域。N是从图案特定区域提取获得的部分的数目。将表3中描述的每个评估方法应用于针对面部和表情敏感图像生成的每个提取图案区域。 每一种方法在这里描述的输入，制定和意义。 一次所有图像模式，获得每个特征的单个聚合值，生成132个特征的数据集。 现在，所有的面部表情类规范的图像被分离，并作为训练集。具有未知类的数据集是查询集或测试集。规则制定亲-cess是训练集。中描述了此规则制定阶段下一个小节。4.5. DCA限定符DCA（树枝细胞算法）是一细胞基分析DCA规范下的数据值分析方法626K. Juneja/ Journal of King Saud UniversityPRgiP-Rgi：logRgiPRgiPq1/1PPP2PP3PP41/1--I¼þþi¼11x-y2权重驱动的方法来表示提取区域的均匀性这是一种消极的同质性I¼-N1/1N21/1¼Si¼1jpCjjpCjN-11/11/1i1½mCRg表示像素值相对于平均值的变化。N1/1h¼0sdRg Þ表3统计特征描述。Sr.没有要素名称要素类型公式和说明1.对比度（cT）纹理Ni¼1表示块强度的变化对角线和关键区域将被识别为高对比度区域。2.差异熵（dE）纹理PNRgxyi：logRgxyi表示用于变异范围分析的熵的一种形式。获取最大到最小强度观测值3和熵（sE）纹理-PN1Rgx y=log Rgx 伊里什从熵本身驱动找出最大变异的关键区域4熵（E）纹理Ni1/2表示块中的像素变化。均匀图像具有较高的熵5角均值（aM）纹理N21/1用于识别块内均匀性的度量。值越高表示块6逆差力矩（idM）纹理PN1RgðiÞ7强度差（iD）纹理PN1-Rg 1-Rg2：Rgx y-Rg识别在强度值观察下所提取的图案区域中可能的变化或变化。采用绝对考虑值8平均系数（mC）数学1 PNRg通过将块强度除以块的大小来获得块中的平均像素强度9能源（En）数学1个PN RgðiÞ2能量表示通过采用具有比率值评估的绝对值推导所考虑的高通像素值。10可预测含量（pC）数学-P/i 1R giωS1S2S3. SnS是示例类观察数据类型，并估计每个区域中不同模式类的比例作为预测的较高数据值11信息增益（iG）结构E-pC信息增益取决于所提取的块中的内容以及与类别特定的预测内容的差异。12拆分信息（sI）结构-PNjRgijlogjRgi j用类比公式和区域值观察表示13增益比（gR）结构iGRgsIRg是信息增益的比率及其在块中不同像素类的分布。14标准差（sD）数学q1PNRgi2已识别图像块中的更改像素。15相关性（Cr）数学PNiωRgi-mCRgi共现矩阵由数值特征构成，并通过离散值分析观察其变化相关矩阵公式16振幅谱（aS）结构式NRgi：real2Rgi：img;2这里real和img是由FFT蕴涵驱动的结构分量在特定块上的强度被获得为幅度值。17相位谱（pS）结构N1/1tan-1Rgβ-内酰胺酶：real中文（简体）得到了极坐标系下的构造勘探结果18系数变异（cV）数学PNsDRgiω10019惯性（In）描述性wx¼1hy¼1 x-y轴 Rg=x;y描述块内的灰度级分布。它解释加权值，以便有效表示20簇着色（cS）描述性wx¼1hy¼1 x描述图像中提取的区域特定阴影观察相对于水平轴和垂直轴转向的平均值21聚类显著性（cP）描述性wx¼1hy¼1 xy-mCRg：x-mCRg：yRgx;y）22角度稳健方差（aV）根据平均值的水平偏差和垂直偏差得到峰值聚类信息表。描述性1Pw PPRgx;yωTxh在不同的角度点分析块的变化。一个深刻的描述性内容分析。抗原约束下的规则。如图8所示，输入数据集和定义的约束共同形成DCA数据库。在行为分析的基础上，形成了识别安全属性集和危险属性集的规则。安全集被识别为可映射到表达式类的属性集合，而危险单元则由多个表达式类重叠的属性集来描述。采用DCA限定规则对训练集进行处理，对抗原评分进行并决定属性相关性的界限。抽样数据和不正确的信息处理相结合，以产生上下文推导。不同的属性对和组被形成以采取与表达类相关的决策。 应用前期的概率估计生成界限，从而进行基于正常和异常状态的属性分类。事件驱动分析用于系统更新和生成类特定属性组。的K. Juneja/ Journal of King Saud University627NRN数据管理规则除子的方法是处理不同属性的数据值。 这种分析首先在个体水平上进行，然后形成包含相同组属性和不同组属性的单元。关联观测也被应用于生成可靠的决策规则。 在成熟阶段，所有这些规则都被集体应用以做出最终决定，因此将考虑更可靠和有效的推导。数据处理规则公式化由等式描述。（四）XXA类柴油机XDataPizzað4Þ见图8。 DCA规则制定体系结构。1/1这里R是若干规则，包括个体规则、关联组规则和关联组间规则N是属性数据是不同属性的数据值规则是属性分类的可能DCA规则集的EQ。（4）显示了在数据集上应用三个规则以生成数据值的函数定义。算法4给出了在DCA下对特征属性进行分类的规则生成过程。算法4：用于属性类标识的DCA规则危险属性细胞制剂细胞制剂安全属性数据样本阶段/人群[132Fe 具有类spe的训练数据集分类][T抗原规则规范hresholding，关联Ra成熟期属性贴图同一要素组个体动态阈值观察其他要素组成熟半-成熟628K. Juneja/ Journal of King Saud UniversityY算法4描述了属性分类到特定表达式类的映射过程。在该算法中，种群集被定义为早熟状态.在成熟阶段，应用个体和关联规则将属性分类为安全和危险单元形成的规则。本节定义了一个限定符，用于标识特定于决策的规则和属性。4.6. DBT限定符DBT（Dempster Belief Theory）是在这里应用于每个属性的概率度量，以识别对表达类的清晰映射的贡献这种信念理论是基于解释、计算和应用分析的综合证据决策。DBT由一些函数来表示，以提供概率证据分析，从而减少冲突并评估贡献。个体属性和关联属性分析的证据增强4.7. 基于贝叶斯网的概率分类器贝叶斯网（Ben-Gal等人，2007）是一个基于概率理论和信念原则的分类器。 它在有向条件图中提供计算。 该方法基于作为条件证据观测估计的统计相关性。带注释的属性A1、A2和表示为条件概率非循环图节点。每个节点对（Ai，Aj）是从具有加权假设的依赖性观察中获得的。 该关系是针对每个类特定的DCA单元，其分配的属性权重是假设值。 具有实现向量和条件的构件求值观察图的定义。这里的边表示的关系可以是个别属性关系，也可以是概率属性关系。 概率估计是也基于DBT权重值。 该概率估计表示为用于生成各个属性的权重资格。多属性分析的基础上组合概率分析。这里提供属性贡献以校正频率计数解释，从而执行可靠的估计。算法5nPA1;A 2···1/1哪里P是概率分析的条件参数，n是属性算法5：用于权重评估算法的DBT量化器算法5示出了将权重分配给特定单元属性的不同属性的置信模型。在贡献分析和证据分析的基础上，确定了各指标的权重.这种加权观察是识别未知表达式类的主要作用。概率分类过程将在下一小节中描述。DCACell是分配的加权属性的列表DBTWeight是DBT加密器P是贝叶斯网络每个属性由图中的三个主要组成部分描述。9.第九条。K. Juneja/ Journal of King Saud University629A1独立DCA独立DBT成本重量A2关联组内-关联组内DCA成本组DBT权重一个关联组间关联组间DCA成本组DBT权重见图9。 贝叶斯网络框架图9示出了属性计算被应用于应用于个体属性关系和相关联的属性关系的条件推导。通过DBT理论中的权重分配，应用了条件评价法。算法6示出了在DCA-DBT资格下的贝叶斯资格的过程。5. 实验结果这里的评估应用于三个不同的表达数据库。每个数据库都有不同表达式的多个实例。在这项工作中定义的框架首先将面部图像数据库转换为具有132个特征的数据集。然后采用基于DCA-DBT的概率分类器进行表情识别。该模型主要适用于表1所述的六种表达方式。为了确定准确性的提高，应用决策树，SVM，KNN和简单的贝叶斯网络方法的比较分析。本节讨论所有数据库和比较观察结果。5.1. 数据库实验是在五个面部表情数据库上进行的。用于实验的第一个数据库是JAFFE算法6：DCA-DBT限定贝叶斯网络分类器算法6示出了由基于DCT-DBT的概率建模描述的完整算法过程。在该模型中，首先提供训练集评估，以生成数据集属性的规则和基于DCT规则，识别出映射到特定测试集实例的最大训练集实例每个映射的实例，然后合格的条件概率估计，以测试集实例欠权规格。最大概率驱动的实例被认为是分类结果。该算法利用概率观测值确定了最可靠和最准确的类估计。在本节中，描述了从面部数据集中识别表情类的完整框架。这项工作适用于三个不同的数据集。工作中获得的实验结果在下一节中描述。（Lyons 等人，1998 年，日本女性面部表情数据库（JapaneseFemale Facial Expression Database）。这个数据库有大约213张10名日本女性的照片。每个人被描述为7个不同的表情，包括中性脸的随机数的实例。这里采用的另一个数据库是CMU（Liu等人，2003年），其中包含13个不同主题的975个图像。每个被试都有75个不同的表情。不平衡的Cohn-Kanade（Kanade等人，2000）数据集，最多有7个表达式。该数据集包含100名年龄在18至30岁之间的学生的表情。采集不同姿态和不同光照下的灰度图像。在接下来的小节中描述了具有比较评估的每个数据集的实验。630K. Juneja/ Journal of King Saud University表4JAFFE数据集的混淆矩阵（混淆计数/百分比）。IN/OUT中性愤怒伤心惊喜恐惧厌恶快乐中性342/97.7%2/0.57%3/0.86%1/0.29%0/0%0/0%2/0.57%愤怒6/1.71%338/96.57%2/0.57%3/0.86%1/0.29%0/0%0/0%伤心5/1.42%3/0.86%340/97.14%1/0.29%0/0%1/0.3%0/0%惊喜0/0%4/1.14%3/0.86%337/96.29%