基于支持向量机的人脸表情实时分类

Question

我目前正在做一个项目，在这个项目中，我必须提取一个用户的面部表情(一次只能从一个网络摄像头中提取一个用户)，比如悲伤或快乐。

我的面部表情分类方法是：

• 使用opencv检测图像中的人脸
• 用ASM和痉挛提取人脸特征点

​

​

现在我试着做面部表情分类

支持向量机是一个不错的选择吗？如果是这样的话，我怎样才能从支持向量机开始：

我要怎么用这个地标来训练每个人的情绪？

Answer 1

是的，SVMs在这个任务中表现得很好。已经有几十份(如果不是上百份)文件描述了这些程序。

例如：

• 简单纸
• 长纸
• 关于它的海报
• 更复杂的例子

支持向量机本身的一些基本来源可以在http://www.support-vector-machines.org/上获得(如书籍标题、软件链接等)。

如果您只是对使用它们感兴趣，而不是理解它们，那么您可以获得一个基本库：

• libsvm http://www.csie.ntu.edu.tw/~cjlin/libsvm/
• svmlight http://svmlight.joachims.org/

Answer 2

如果您已经在使用opencv，我建议您使用内置的svm实现，在python中进行培训/保存/加载如下。c++有相应的api来在相同数量的代码中执行相同的操作。它还有“train_auto”来寻找最佳参数

import numpy as np
import cv2

samples = np.array(np.random.random((4,5)), dtype = np.float32)
labels = np.array(np.random.randint(0,2,4), dtype = np.float32)

svm = cv2.SVM()
svmparams = dict( kernel_type = cv2.SVM_LINEAR, 
                       svm_type = cv2.SVM_C_SVC,
                       C = 1 )

svm.train(samples, labels, params = svmparams)

testresult = np.float32( [svm.predict(s) for s in samples])

print samples
print labels
print testresult

svm.save('model.xml')
loaded=svm.load('model.xml')

和输出

#print samples
[[ 0.24686454  0.07454421  0.90043277  0.37529686  0.34437731]
 [ 0.41088378  0.79261768  0.46119651  0.50203663  0.64999193]
 [ 0.11879266  0.6869216   0.4808321   0.6477254   0.16334397]
 [ 0.02145131  0.51843268  0.74307418  0.90667248  0.07163303]]
#print labels
[ 0.  1.  1.  0.]
#print testresult
[ 0.  1.  1.  0.]    

因此，你提供了n个扁平的形状模型作为样本和n个标签，你很适合去做。你可能甚至不需要asm部分，只需应用一些对方向敏感的过滤器，如sobel或gabor，将矩阵连接起来，然后将它们压平，然后直接将它们喂给svm。你可能会得到70%-90%的准确度。

就像有人说的，cnn是some的另一种选择，这里有一些实现lenet5的链接。到目前为止，我发现svm的启动要简单得多。

https://github.com/lisa-lab/DeepLearningTutorials/

http://www.codeproject.com/Articles/16650/Neural-Network-for-Recognition-of-Handwritten-Digi

-编辑-

地标只是n (x，y)向量，对吗？那么，你为什么不试着把它们放到一个2n大小的数组中，然后直接把它们喂给上面的代码呢？

例如，3个4个地标(0,0),(10,10),(50,50),(70,70)的训练样本

samples = [[0,0,10,10,50,50,70,70],
[0,0,10,10,50,50,70,70],
[0,0,10,10,50,50,70,70]]

labels=[0.,1.,2.]

0=happy

1=angry

2=disgust

Answer 3

您可以检查这代码，以了解如何使用支持向量机完成这一任务。

你可以找到算法解释这里