基于k均值的人脸表情分类

Question

我使用k方法对面部表情进行分类的方法是：

1. 使用opencv检测图像中的人脸
2. 用ASM和痉挛提取人脸特征点
3. 计算面部特征之间的距离(如图中所示)。会有5段距离。

​

1. 为每个面部表情计算每个距离的质心(例如:在距离D1中，每个表情有7个质心“高兴、愤怒.”)。
2. 使用5k-表示每个k-表示一个距离，而每一个k-表示结果是，在第一步中，由离质心最近的距离所显示的表达式。
3. 最后的表达式将出现在大多数k-表示结果中。

但是，用那种方法我的结果是错误的吗？我的方法是正确的还是哪里错了？

Answer 1

K-均值不是一种分类算法.一旦运行，它只需查找K元素的质心，因此它将数据拆分为K部分，但在大多数情况下，它与所需的类没有任何关系。当您想要浏览数据并找到一些可区分的对象时，应该使用此算法(作为所有的聚类方法)。在中，任何意义都是可以区分的。如果您的任务是构建一个系统，该系统识别给定的一些类，那么这是一个分类问题，而不是聚类问题。最简单的方法之一，即易于实现和理解的方法是KNN (K-最近邻)，它大致完成您要完成的任务--检查哪些类的对象与某些预定义的对象最接近。

为了更好地看出不同之处，让我们考虑一下你的情况--你正试图根据面部特征来检测情绪状态。在这样的数据上运行k-意味着可以将你的面部照片分成许多组：

• 如果你使用不同人的照片，它可以将特定人的照片聚在一起(因为他们与其他人的距离不同)。
• 它可以将数据分割成男性和女性，因为在这类特征中存在性别差异。
• 它甚至可以根据与摄像机的距离来分割数据，因为透视图改变了您的功能，从而创建了“集群”。
• 等。

正如您所看到的，有几十种可能的“合理”(甚至更完全不是可解释的)拆分，而K-意味着(和any)其他聚类算法只会找到其中一种(在大多数情况下是不可解释的)。分类方法被用来解决这个问题，来“解释”算法你期待什么。