專利名稱：基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種模式識別領(lǐng)域的識別方法，具體涉及一種基于改進(jìn)的免疫算法優(yōu) 化支持向量機(jī)參數(shù)的表情識別方法。
背景技術(shù)：
隨著人機(jī)交互與情感計(jì)算技術(shù)的快速發(fā)展，人臉表情識別已成為研究的熱點(diǎn)。由 于人臉表情包含豐富的行為信息，因此對人臉表情進(jìn)行識別有利于了解人類的情感等心理 狀態(tài)，并可進(jìn)行有效地人機(jī)交互。人臉表情識別涉及心理學(xué)、生物學(xué)、病理學(xué)、計(jì)算機(jī)科學(xué)等 研究領(lǐng)域。可見，人臉表情識別的進(jìn)展對提高人工情感智能水平和探索人類情感及認(rèn)知能 力極具科學(xué)意義，并將促進(jìn)相關(guān)學(xué)科的發(fā)展。人臉表情識別是基于視覺信息對臉部的運(yùn)動 意義，以及臉部特征的形變進(jìn)行分類，主要包括人臉檢測，人臉表情特征提取和表情分類， 其中表情分類是人臉表情識別的重點(diǎn)和難點(diǎn)。目前用于表情分類的方法可分為時(shí)空域方法和空域方法兩類。其中時(shí)空域方法 包括隱馬爾科夫模型方法、回歸神經(jīng)網(wǎng)絡(luò)方法、空時(shí)運(yùn)動能量模板方法等；空域方法包括神 經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法、AdaBoost方法、基于規(guī)則推理的方法、主成分分析、獨(dú)立分 量分析、Fisher現(xiàn)行判別分析等。近年來，隱馬爾科夫模型、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和 AdaBoost算法等成為主流的表情分類方法。其中，支持向量機(jī)作為一種模式識別方法，具有 出色的學(xué)習(xí)性能和機(jī)構(gòu)風(fēng)險(xiǎn)最小化的優(yōu)點(diǎn)，其能夠解決小樣本情況下的學(xué)習(xí)問題，用于進(jìn) 行表情識別，獲得了比其他方法更高的識別精確性和魯棒性。傳統(tǒng)的支持向量機(jī)的參數(shù)選 取都是通過反復(fù)的試驗(yàn)來獲得的，存在著人為選擇的隨機(jī)性，而通過交叉驗(yàn)證的方法來選 擇參數(shù)，雖然克服了人為的隨機(jī)性，但需要耗費(fèi)大量的時(shí)間。綜上所述，現(xiàn)有的表情識別領(lǐng)域支持向量機(jī)參數(shù)尋優(yōu)技術(shù)難以保證在在較短的時(shí) 間內(nèi)尋找到支持向量機(jī)的最優(yōu)參數(shù)，因而無法得到人臉表情的最佳識別效果。技術(shù)內(nèi)容本發(fā)明針對現(xiàn)有技術(shù)存在的上述不足，提供一種基于改進(jìn)的免疫算法優(yōu)化支持向 量機(jī)參數(shù)的表情識別方法。利用人工免疫算法所具備的局部搜索能力和全局搜索能力對支 持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，得到最優(yōu)的表情分類效果。本發(fā)明的上述目的是這樣實(shí)現(xiàn)的，結(jié)合


如下1)將人臉表情圖像庫中表情圖像按照七種表情分為七類，即憤怒、厭惡、恐懼、高 興、中性、悲傷和驚訝(見圖2)。2)對圖像庫中原始圖像進(jìn)行預(yù)處理，包括特征點(diǎn)定位、特征區(qū)域分割、尺寸歸一 化和光照歸一化(見圖3)。3)利用局部Gabor濾波器組及二維核主成分分析算法對預(yù)處理后的表情圖片進(jìn) 行特征提取及特征降維。4)利用改進(jìn)的人工免疫算法優(yōu)化支持向量機(jī)參數(shù)，為了實(shí)現(xiàn)支持向量機(jī)參數(shù)的自 動選擇以及控制參數(shù)搜尋方向，將改進(jìn)的人工免疫算法與支持向量機(jī)進(jìn)行結(jié)合，構(gòu)造了改進(jìn)的人工免疫算法——支持向量機(jī)模型，實(shí)現(xiàn)支持向量機(jī)參數(shù)自動優(yōu)化。利用找到最優(yōu)參 數(shù)的支持向量機(jī)進(jìn)行人臉表情分類。5)利用日本女性面部表情數(shù)據(jù)庫、劍橋大學(xué)表情庫和耶魯大學(xué)表情庫進(jìn)行人臉表 情分類實(shí)驗(yàn)，都能夠取得很好的識別精度。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)和效果在于構(gòu)造了改進(jìn)的人工免疫算法——支持 向量機(jī)模型，利用改進(jìn)的人工免疫算法控制支持向量機(jī)的參數(shù)選擇方向，實(shí)現(xiàn)支持向量機(jī) 參數(shù)自動優(yōu)化并最終實(shí)現(xiàn)人臉表情的精確分類。本發(fā)明所提供的技術(shù)方案的積極效果是1)全局搜索能力人工免疫算法是一個(gè)具有全局搜索能力的優(yōu)化算法，算法在對 優(yōu)質(zhì)抗體鄰域進(jìn)行局部搜索的同時(shí)利用變異算子和種群刷新算子不斷產(chǎn)生新個(gè)體，探索可 行解區(qū)間的新區(qū)域，保證算法在完整的可行解區(qū)間進(jìn)行搜索，具有全局收斂性能。2)局部搜索能力采用具有較強(qiáng)局部搜索能力的離散粒子群算法作為人工免疫 算法的局部搜索算子，保證算法在具有較強(qiáng)的全局搜索能力的同時(shí)，又具有較強(qiáng)的局部搜 索能力。綜合利用人工免疫算法全局收斂性好和離散粒子群局部搜索能力強(qiáng)的特點(diǎn)，形成 新的智能優(yōu)化算法。3)多樣性保持機(jī)制人工免疫算法借鑒了生物免疫系統(tǒng)的多樣性保持機(jī)制，對抗 體進(jìn)行濃度計(jì)算，并將濃度計(jì)算的結(jié)果作為評價(jià)抗體個(gè)體優(yōu)劣的一個(gè)重要因素，使?jié)舛雀?的抗體被抑制，保證抗體種群具有很好的多樣性，這也是保證算法全局收斂性能的一個(gè)重 要原因。4)魯棒性強(qiáng)人工免疫算法不針對特定問題，而且不強(qiáng)調(diào)算法參數(shù)設(shè)置和初始解 的質(zhì)量，利用其啟發(fā)式的智能搜索機(jī)制，即使起步于劣質(zhì)解種群，最終也可以搜索到問題的 全局最優(yōu)解，對問題和初始解的依賴性不強(qiáng)，具有很強(qiáng)的適應(yīng)性和魯棒性。5)并行分布式搜索機(jī)制人工免疫算法不需要集中控制，可以實(shí)現(xiàn)并行處理。而 且，人工免疫算法的優(yōu)化進(jìn)程是一種多進(jìn)程的并行優(yōu)化，在探求問題最優(yōu)解的同時(shí)可以得 到問題的多個(gè)次優(yōu)解，即除找到問題的最佳解決方案外，還會得到若干較好的備選方案，尤 其適合于多模態(tài)的優(yōu)化問題。

本發(fā)明將通過示例，參考下述附圖以更進(jìn)一步的闡述圖1為本發(fā)明的工作流程框圖。圖2為部分原始表情圖片。圖3為預(yù)處理后部分表情圖片。圖4為全局與局部Gabor濾波器組，其中(a) 4個(gè)頻率8個(gè)方向的全局Gabor濾波器組，(b)4個(gè)頻率8個(gè)方向的局部 Gabor濾波器組，(c) 4個(gè)頻率8個(gè)方向的局部Gabor濾波器組，(d) 3個(gè)頻率8個(gè)方向的全 局Gabor濾波器組，(e) 3個(gè)頻率8個(gè)方向的局部Gabor濾波器組，(f) 3個(gè)頻率8個(gè)方向的 局部Gabor濾波器組。圖5為改進(jìn)的人工免疫算法流程。
具體實(shí)施例方式本發(fā)明提供了一種基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法，構(gòu) 造了改進(jìn)的人工免疫算法——支持向量機(jī)模型。具體步驟如下1)設(shè)計(jì)編碼方案，構(gòu)造初始抗體設(shè)計(jì)抗體基因編碼方案是基于先粗搜索后精搜索的思想。粗搜索是為了快速定位 最優(yōu)參數(shù)的區(qū)間范圍，提高搜索效率；精搜索是為了得到更準(zhǔn)確、更優(yōu)的參數(shù)。每一個(gè)抗體 由支持向量機(jī)的核函數(shù)參數(shù)ο、正則化參數(shù)Y、σ增量Δ σ、Y增量Δ Y四部分組成。實(shí) 際應(yīng)用中這些參數(shù)采用對數(shù)形式在尋優(yōu)方式上效果較好。在以2為底的對數(shù)坐標(biāo)系中，σ 和Y分別作為橫、縱坐標(biāo)，以Ιο&σ，Iog2Y的整數(shù)值作為區(qū)間分隔線，把坐標(biāo)系分割成若 干矩形區(qū)域。首先通過粗搜索確定最優(yōu)(σ，Y)所在的區(qū)域，然后再在該區(qū)域內(nèi)按橫、縱坐 標(biāo)的精度要求搜索。本文設(shè)定參數(shù)ο的取值范圍為[2-5，25]，精度為2_5，其指數(shù)采用二進(jìn) 制編碼，編碼長度為5位，其中最高位表示符號位，1表示指數(shù)是負(fù)數(shù)，O表示指數(shù)是正數(shù)，如 2_5編碼表示為10101。參數(shù)γ的取值范圍為『二巧，精度為廣，編碼長度為日，如〗15: 進(jìn)制編碼表示為01111。Δ σ、Δ Υ分別表示在粗搜索得到的區(qū)域邊界基礎(chǔ)上的增量，增量 用十進(jìn)制表示，每次增量大小分別是橫縱坐標(biāo)搜索精度的整數(shù)倍。這種編碼方式的優(yōu)點(diǎn)是 先進(jìn)行粗搜索尋優(yōu)，然后再在局部空間上精確尋優(yōu)，有利于加快尋優(yōu)速度。2)產(chǎn)生初始抗體生成初代抗體時(shí)，為防止產(chǎn)生的個(gè)體過于集中在某一區(qū)域影響算法的性能，采用 了分區(qū)產(chǎn)生個(gè)體的方法。從1ο&σ、1ο&Υ的整數(shù)值組合中隨機(jī)抽取N種組合組成抗體。 設(shè)抗體規(guī)模N為20。3)計(jì)算抗體與抗原的親和度根據(jù)支持向量機(jī)模型的原理，定義類間的幾何間隔作為評價(jià)標(biāo)準(zhǔn)，因此抗原與抗 體的親和度定義為f = 1/I |w| I2(1)其中| |w| |2表示每一對參數(shù)(σ，Y)確定的最優(yōu)超平面權(quán)重向量w的幾何間隔。 支持向量機(jī)分類器就是通過訓(xùn)練樣本來尋找最優(yōu)模型參數(shù)，而在最優(yōu)模型參數(shù)下的幾何間 隔是實(shí)現(xiàn)了最大間隔超平面的幾何間隔。4)克隆選擇按照最佳抗體選擇率opR的比率從初始抗體中選擇η個(gè)與抗原具有最高親和度的 抗體進(jìn)行克隆擴(kuò)增，產(chǎn)生對應(yīng)的克隆細(xì)胞集合C^根據(jù)克隆選擇原理，抗體與抗原的親和度 越大，抗體產(chǎn)生的克隆細(xì)胞數(shù)量越多。對η個(gè)選擇細(xì)胞按親和力度從小到大的順序排序，克 隆細(xì)胞的數(shù)量按下式計(jì)算
ηNc :》η 、α χ N / ,η 二 opR xN(2)
i=l其中N。為η個(gè)抗體產(chǎn)生的克隆細(xì)胞總數(shù)；α為克隆乘數(shù)因子，用于控制克隆群體 的規(guī)模；int(g)為取整函數(shù)。5)克隆變異應(yīng)用式(3)對克隆的抗體進(jìn)行隨機(jī)變異操作，實(shí)現(xiàn)親和度的成熟，產(chǎn)生具有更高 親和度的抗體細(xì)胞
Ci = rand (Nc, μ Nc)(3)其中rand(N。，μ Nc)為隨機(jī)函數(shù)，表示從N。中隨機(jī)抽取μ Nc個(gè)變量；μ為抗體的 變異率，μ = l/d，d為基因串長度。生物免疫系統(tǒng)抗體變異的實(shí)質(zhì)是基因片斷的重組，使得子代抗體與抗原的親和度 得以迅速提高，而且與抗原具有較大親和度的抗體具有較小的變異。計(jì)算Ci和 .組成的集 合C中的抗體細(xì)胞與抗原的親和度f。按照再次選擇率的比率選擇C中若干個(gè)與抗原具有 最高親和度的抗體作為部分記憶細(xì)胞Rp。6)將離散粒子群與人工免疫算法混合應(yīng)用，利用離散粒子群作為人工免疫算法的 局部搜索算子，以Rp作為離散粒子群的初始種群進(jìn)行一定次數(shù)的優(yōu)化迭代，然后將優(yōu)化得 到的最優(yōu)解作為人工免疫算法下一代的抗體Rq。7)抗體抑制去除Rq中抗體濃度大于閾值的抗體，產(chǎn)生新的記憶集Rk，實(shí)現(xiàn)免疫系統(tǒng)克隆抑制 的效果?？贵w的濃度用信息熵來描述。把部分記憶細(xì)胞Rk合并到記憶細(xì)胞集合R(R— [R； Rk])中。8)按照最差抗體選擇率的比率，隨機(jī)產(chǎn)生若干個(gè)抗體替換記憶細(xì)胞集合R中親和 度較低的個(gè)體，體現(xiàn)免疫系統(tǒng)的自組織功能。9)從該代抗體中選擇親和度大的N個(gè)抗體，返回步驟3)，進(jìn)行下一代的網(wǎng)絡(luò)學(xué)習(xí)， 直至達(dá)到設(shè)定的迭代要求(如迭代達(dá)到抗原與記憶細(xì)胞的平均親和度達(dá)到了預(yù)定的誤差 范圍等)。上述算法的核心是保持網(wǎng)絡(luò)抗體代代克隆、變異及抑制的操作，最終產(chǎn)生記憶數(shù) 據(jù)集。算法參數(shù)的選擇原則如下初始化抗體個(gè)數(shù)N根據(jù)經(jīng)驗(yàn)選定，其大小不影響結(jié)果，但 選擇過大會影響計(jì)算速度，過小則體現(xiàn)不了抗原特征，一股取N= 20。克隆乘數(shù)因子α的 選擇取決于初始抗體的個(gè)數(shù)N ；最佳抗體選擇率一股取初始抗體的10% 20%，但其取值 應(yīng)保證每代至少有一個(gè)最優(yōu)抗體克隆擴(kuò)增；最差抗體選擇率體現(xiàn)免疫系統(tǒng)的自組織特性， 一股取值不應(yīng)超過10%。從抗體多樣性的角度考慮，再次選擇率可以取較大的值，一股取克 隆細(xì)胞的10%作為部分記憶細(xì)胞。顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精 神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍 之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。
權(quán)利要求
一種基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法，其特征在于，包括如下步驟步驟一，將人臉表情圖像庫中表情圖像按照七種表情分為七類，即憤怒、厭惡、恐懼、高興、中性、悲傷和驚訝；步驟二，對圖像庫中原始圖像進(jìn)行預(yù)處理，包括特征點(diǎn)定位、特征區(qū)域分割、尺寸歸一化和光照歸一化；步驟三，利用局部Gabor濾波器組及二維核主成分分析法對預(yù)處理后的表情圖片進(jìn)行特征提取及特征降維；步驟四，利用改進(jìn)的人工免疫算法優(yōu)化支持向量機(jī)參數(shù)，將改進(jìn)的人工免疫算法應(yīng)用到支持向量機(jī)參數(shù)優(yōu)化過程中，為了實(shí)現(xiàn)支持向量機(jī)參數(shù)的自動選擇以及控制參數(shù)搜尋方向，將改進(jìn)的人工免疫算法與支持向量機(jī)進(jìn)行結(jié)合，構(gòu)造了改進(jìn)的人工免疫算法——支持向量機(jī)模型，控制參數(shù)的選擇方向，實(shí)現(xiàn)支持向量機(jī)參數(shù)自動優(yōu)化，利用找到最優(yōu)參數(shù)的支持向量機(jī)進(jìn)行人臉表情分類；步驟五，利用日本女性面部表情數(shù)據(jù)庫、劍橋大學(xué)表情庫和耶魯大學(xué)表情庫進(jìn)行人臉表情分類實(shí)驗(yàn)，以提高識別精度。
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法， 其特征在于，步驟二所述的預(yù)處理是通過改進(jìn)的蘇珊算子定位特征點(diǎn)，完成特征區(qū)域分割， 對原始表情圖片進(jìn)行歸一化處理，并對歸一化后的表情圖片進(jìn)行光照補(bǔ)償和直方圖均衡化 處理。
3.根據(jù)權(quán)利要求1所述的基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法， 其特征在于，步驟三所述的特征提取是通過局部Gabor濾波器組提取表情圖片特征，使得 能用較少的特征維數(shù)準(zhǔn)確地表征圖片信息，并通過二維核主成分分析算法進(jìn)一步對所提特 征進(jìn)行降維，以縮短表情識別時(shí)間。
4.根據(jù)權(quán)利要求1所述的基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法， 其特征在于，步驟四所述的支持向量機(jī)參數(shù)自動優(yōu)化是通過構(gòu)造改進(jìn)的人工免疫算法—— 支持向量機(jī)模型實(shí)現(xiàn)的，其步驟為步驟一，設(shè)計(jì)編碼方案，構(gòu)造初始抗體； 步驟二，產(chǎn)生初始抗體； 步驟三，計(jì)算抗體與抗原的親和度； 步驟四，克隆選擇與克隆變異；步驟五，將離散粒子群與人工免疫算法混合應(yīng)用，利用離散粒子群作為人工免疫算法 的局部搜索算子，以人工免疫算法中對優(yōu)選的抗體進(jìn)行克隆和隨機(jī)變異后得到的結(jié)果作為 離散粒子群的初始種群進(jìn)行一定次數(shù)的優(yōu)化迭代，然后將優(yōu)化得到的最優(yōu)解作為人工免疫 算法下一代的抗體； 步驟六，抗體抑制；步驟七，按照最差抗體選擇率的比率，隨機(jī)產(chǎn)生若干個(gè)抗體替換記憶細(xì)胞集合和中親 力較低的個(gè)體，體現(xiàn)免疫系統(tǒng)的自組織；步驟八，從該代抗體中選擇親和度大的N個(gè)抗體，返回步驟三，進(jìn)行下一代的網(wǎng)絡(luò)學(xué) 習(xí)，直至達(dá)到設(shè)定的迭代要求。
5.根據(jù)權(quán)利要求4所述的基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法， 其特征在于，所述的步驟一是基于先粗搜索后精搜索的思想來設(shè)計(jì)抗體基因編碼方案，每 一個(gè)抗體由支持向量機(jī)的核函數(shù)參數(shù)σ、正則化參數(shù)γ、σ增量Δ σ、Υ增量Δ Υ四部 分組成，上述參數(shù)采用對數(shù)形式在尋優(yōu)，在以2為底的對數(shù)坐標(biāo)系中，ο和Y分別作為橫、 縱坐標(biāo)，以1ο&σ，Iog2Y的整數(shù)值作為區(qū)間分隔線，把坐標(biāo)系分割成若干矩形區(qū)域，首先 通過粗搜索確定最優(yōu)(ο，Y)所在的區(qū)域，然后再在該區(qū)域內(nèi)按橫、縱坐標(biāo)的精度要求搜 索，設(shè)定參數(shù)σ的取值范圍為[2_5，25]，精度為2_5，參數(shù)y的取值范圍為『二15]，精度為 2—1，Δ σ , Δ y分別表示在粗搜索得到的區(qū)域邊界基礎(chǔ)上的增量，增量用十進(jìn)制表示，每次 增量大小分別是橫縱坐標(biāo)搜索精度的整數(shù)倍。
6.根據(jù)權(quán)利要求4所述的基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法， 其特征在于，所述的步驟二產(chǎn)生初始抗體時(shí)，為防止產(chǎn)生的個(gè)體過于集中在某一區(qū)域而影 響算法的性能，采用了分區(qū)產(chǎn)生個(gè)體的方式，從Iog2Q、Iog2Y的整數(shù)值組合中隨機(jī)抽取N 種組合組成抗體，設(shè)抗體規(guī)模N為20。
7.根據(jù)權(quán)利要求4所述的基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法， 其特征在于，所述的步驟三計(jì)算抗體與抗原的親和度是根據(jù)支持向量機(jī)模型，定義類間的 幾何間隔作為評價(jià)標(biāo)準(zhǔn)，因此抗原與抗體的親和度定義為f = i/l |w| |2，其中| |w| |2表示 每一對參數(shù)(σ，Y)確定的最優(yōu)超平面權(quán)重向量w的幾何間隔。
8.根據(jù)權(quán)利要求4所述的基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法， 其特征在于，所述的步驟四克隆選擇是按照最佳抗體選擇率的比率從初始抗體中選擇η個(gè) 與抗原具有最高親和度的抗體進(jìn)行克隆擴(kuò)增，產(chǎn)生對應(yīng)的克隆細(xì)胞集合G ；克隆變異是對 克隆的抗體進(jìn)行隨機(jī)變異操作，實(shí)現(xiàn)親和度的成熟，產(chǎn)生具有更高親和度的抗體細(xì)胞Ci，計(jì) 算Ci和 .組成的集合C中的抗體細(xì)胞與抗原的親和度f，按照再次選擇率的比率選擇C中 若干個(gè)與抗原具有最高親和度的抗體作為部分記憶細(xì)胞Rp。
9.根據(jù)權(quán)利要求4所述的基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法， 其特征在于，所述的步驟六抗體抑制是去除Rq中抗體濃度大于閾值的抗體，產(chǎn)生新的記憶 集，實(shí)現(xiàn)免疫系統(tǒng)克隆抑制的效果，抗體的濃度用信息熵來描述。全文摘要
本發(fā)明涉及一種模式識別領(lǐng)域的識別方法，具體涉及一種基于改進(jìn)的免疫算法優(yōu)化支持向量機(jī)參數(shù)的表情識別方法。其目的在于利用改進(jìn)的人工免疫算法所具備的局部搜索能力和全局搜索能力對支持向量機(jī)的參數(shù)進(jìn)行尋優(yōu)，以得到最優(yōu)的表情分類效果。本發(fā)明采用將人臉表情圖像庫中表情圖像按照七種表情分為七類；對圖像庫中原始圖像進(jìn)行預(yù)處理；利用局部Gabor濾波器組及二維核主成分分析法對預(yù)處理后的表情圖片進(jìn)行特征提取及特征降維；利用改進(jìn)的人工免疫算法優(yōu)化支持向量機(jī)參數(shù)；利用表情數(shù)據(jù)庫進(jìn)行人臉表情分類實(shí)驗(yàn)等步驟，將改進(jìn)的人工免疫算法應(yīng)用到支持向量機(jī)參數(shù)優(yōu)化過程中，實(shí)現(xiàn)支持向量機(jī)參數(shù)自動優(yōu)化并最終實(shí)現(xiàn)人臉表情的精確分類。
文檔編號G06K9/62GK101968853SQ201010509570
公開日2011年2月9日 申請日期2010年10月15日 優(yōu)先權(quán)日2010年10月15日
發(fā)明者萬川, 劉帥師, 李棟, 王新竹, 田彥濤, 陳宏偉, 隋振 申請人:吉林大學(xué)