基于ELM多特征融合面部表情识别方法研究.pdfVIP

基于ELM的多特征融合面部表情识别

1111,2

班小娟,李一通,,

1科技大学，100083，2北方电子仪器，100191，

_

banxj@,litianjin@.com,empyangg@163.com,hejohejo@126.com

：传统的面部表情识别包括特征提取器和分类器。特征级融合主要有两种策略：串行特征融合（SFF）

本文提出了一种多特征融合方法，以提高识别准确率。[8]和并行特征融合（PFF）[9]。线性意见池（

我们考虑了特征级融合方法、串行特征融合以及决策LinOP）[10]和对数意见池（LogOP）[11]用于决

级融合，即线性意见池，来结合多种特征。使用局部策级融合。然而，无论通过特征级融合增加特征维

二值模式、局部方向数模式和边缘方向直方图进行特度，还是通过决策级融合实现多种分类，训练和测

征提取。然后，使用极限学习机作为分类器进行表情试的执行时间都会显著增加。使用学习机（

分类。在JAFFE和CK+上的实验表明，该方法取得了ELM）[12,13]作为分类器可以解决这个问题。

更好的结果。

特征提取

：面部表情识别；特征提取；极限学习机；人脸检测分类

特征提取

多特征融合

图2多特征融合的FER系统流程图

1引言

常用的分类器有k‑邻（k‑NN）[14],朴素贝叶

近年来，面部表情识别（FER）引起了广泛关注，

斯分类[15],支持向量机（SVM）[16],决策树（

因为人们在交流中通过面部表情传递的信息量达到

DTs）[17]等。与传统的训练方法相比，ELM具有学

了55%[1]。FER系统主要包含人脸检测、特征提取习速度快和泛化性能好的优点。ELM是一种快速单

和分类，如图1所示。对于特征提取，常用的方法有

隐层神经网络（SLFNs）[18]训练算法。该算法的

主成分分析（PCA）[2],独立成分分析（ICA）[3],特点是在确定网络参数的过程中，隐层节点的参数

线性判别分析（LDA）[4]等全局方法，以及局部

是随机选择的，在训练过程中不需要手动调整。为

二值模式（LBP）[5],局部方向数模式（LDN）[6],了获得最优解的唯一性，只需设置隐层神经元的数

边缘方向直方图（EOH）[7]等局部方法。LBP作为量。这样的网络参数可以在没有任何迭代步骤的情

一种简单、高效且鲁棒的局部描述符，是一种局部

况下确定，从而大大减少了调整网络参数的时间。

纹理描述算子，能够很好地描述图像的局部纹理特

征。LDN用于鲁棒的人脸识别，可以检测强度区域

的变化。EOH作为特征描述符，用于描述某些分类

或检测任务中的局部方向或边缘方向。在本工作中，我们提出了通过融合多种特征的框架。

LBP、L