深度學(xué)習(xí)結(jié)合支持向量機(jī)在人臉表情識(shí)別中的應(yīng)用研究.pdf

1、人臉表情識(shí)別作為智能人機(jī)交互技術(shù)的重要組成部分，近年來(lái)逐漸用于計(jì)算機(jī)視覺、人工智能等熱門領(lǐng)域。不同領(lǐng)域的研究者提出了許多新方法來(lái)提高識(shí)別的正確率，但通常情況下所采用的人臉表情圖像必須為正臉，限制了人臉表情識(shí)別技術(shù)的應(yīng)用范圍。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，主要利用其無(wú)監(jiān)督特征自動(dòng)提取能力對(duì)數(shù)據(jù)進(jìn)行處理。
　　本文主要針對(duì)傳統(tǒng)研究對(duì)人臉表情識(shí)別正確率不高且對(duì)表情圖像存在限制的問(wèn)題，將深度學(xué)習(xí)和支持向量機(jī)相結(jié)合，提出一種多層分

2、類模型。利用人臉圖像數(shù)據(jù)庫(kù)CMU Face Images中的人臉表情樣本訓(xùn)練集對(duì)該深層模型進(jìn)行訓(xùn)練，該訓(xùn)練集中每個(gè)表情包含了8種不同角度（存在戴墨鏡情況下的表情），訓(xùn)練后形成一個(gè)人臉表情識(shí)別模型（簡(jiǎn)稱RBM-SVM模型）；利用測(cè)試樣本對(duì)其性能進(jìn)行驗(yàn)證：對(duì)比RBM-SVM算法、DBN算法以及SVM算法在不同圖像分辨率、隱含層層數(shù)以及節(jié)點(diǎn)數(shù)對(duì)識(shí)別結(jié)果的影響，研究RBM-SVM算法在不同隱含層層數(shù),節(jié)點(diǎn)數(shù)的情況下與支持向量數(shù)及準(zhǔn)確率的關(guān)系，分

3、析支持向量機(jī)參數(shù)懲罰因子C和核函數(shù)參數(shù)g對(duì)識(shí)別結(jié)果的影響。
　　在其他條件相同的情況下，采用RBM-SVM算法得到的人臉表情識(shí)別正確率均比DBN算法及單獨(dú)采用SVM算法要高；RBM-SVM算法對(duì)圖像分辨率不敏感，即人臉表情圖像的分辨率的不同對(duì)識(shí)別結(jié)果影響不大；當(dāng)隱含層層數(shù)越多時(shí)識(shí)別正確率越高；隨著支持向量機(jī)的懲罰因子C值不斷增加，當(dāng)達(dá)到一定值時(shí)算法的識(shí)別正確率會(huì)很高并不再變化；當(dāng)核函數(shù)參數(shù)g取0.004時(shí)，測(cè)試樣本的識(shí)別正確率最高