基于SVM的人脸表情识别研究的中期报告.docxVIP

基于SVM的人脸表情识别研究的中期报告 人脸表情识别一直是计算机视觉领域的研究热点之一。本项目采用支持向量机(SVM)作为分类器，对人脸表情进行分类识别。在前期工作的基础上，本次中期报告主要内容包括以下几个方面的研究进展。 数据集处理 本项目使用的是FER-2013数据集，其中包含了35,887张人脸表情图像。由于该数据集是以csv文件的形式进行存储，因此需要进行数据的预处理。本次处理包括了图像的读取、转换成灰度图像、进行直方图均衡化等步骤。处理后，数据集中包括了七种表情类别，分别为：愤怒、厌恶、恐惧、快乐、伤心、惊讶和中立。 特征提取 本项目采用局部二值模式(LBP)算法进行特征提取。LBP算法能够很好地对图像的纹理信息进行描述，而且计算量较小，适合大规模数据集的处理。在本次研究中，将图像进行分块后，对每个块进行LBP特征提取，并将每个块的特征向量串联起来形成最终的特征向量。 分类器训练 本项目采用的是多类别支持向量机进行分类。在训练阶段，将数据集分成训练集和测试集，采用10折交叉验证的方法进行模型参数的调节和分类器的训练。具体来说，主要包括以下几个步骤：(1)选择合适的核函数，本项目采用径向基函数(RBF)；(2)设置SVM的惩罚参数C和核函数参数gamma；(3)训练SVM分类器并进行预测。 结果分析 根据实验结果，本项目的分类精度达到了61.7%，与之前相关研究相比有一定提升。同时，我们发现在训练阶段，数据增强可以提高模型的泛化性能，从而提高分类精度。此外，调节SVM分类器的参数对于分类结果也有重要影响。 继续研究方向 在下一步的研究中，我们将尝试使用卷积神经网络(CNN)进行人脸表情分类识别，比较基于CNN和SVM的分类结果，探讨不同方法的优缺点。同时，我们也会继续优化数据集处理和特征提取方法，进一步提高分类精度和模型的鲁棒性。