稀疏判决分析在表情识别中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (7): 172-173.

• 图形、图像、模式识别 • 上一篇下一篇

稀疏判决分析在表情识别中的应用

黄勇

柳州铁道职业技术学院电子工程系，广西柳州 545007

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-03-01 发布日期:2012-03-01

Sparse discriminant analysis for expression recognition

HUANG Yong

Department of Electronic Engineering, Liuzhou Railway Vocational Technical College, Liuzhou, Guangxi 545007, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-03-01 Published:2012-03-01

摘要/Abstract

摘要： 提出了一种基于稀疏判决分析的人脸表情识别方法，称之为SDA。SDA引入稀疏表述并结合半监督判决分析SSDA，通过稀疏重构处理，获得图像的局部结构信息，且由于稀疏表述本身具有的判决性，SDA只需很少样本就能获得较好的效果。基于JAFFE和CED-WYU两个表情数据库的识别结果表明，基于SDA的特征提取方法能有效地提高识别率。

关键词: 稀疏表述, 线性判决分析, 半监督判决分析, 稀疏判决分析, 表情识别

Abstract: A facial expression recognition method based on Sparse Discriminant Analysis（SDA） is proposed in this paper. The graph in SDA is constructed by sparse representation and incorporate Semi-Supervised Discriminant Analysis（SSDA）, thus the local structure information is automatically modeled, and with the natural discriminative power of sparse representation, SDA can get better performance only resorting to few extra unlabeled samples. Experimental result on JAFFE and CED-WYU show that SDA is an effective method for improving the recognition accuracy.

Key words: sparse representation, Linear Discriminant Analysis（LDA）, Semi-Supervised Discriminant Analysis（SSDA）, Sparse Discriminant Analysis（SDA）, expression recognition

黄勇. 稀疏判决分析在表情识别中的应用[J]. 计算机工程与应用, 2012, 48(7): 172-173.

HUANG Yong. Sparse discriminant analysis for expression recognition[J]. Computer Engineering and Applications, 2012, 48(7): 172-173.

[1]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[2]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[3]	杨鲁月，张树美，赵俊莉. 基于并行Gan的有遮挡动态表情识别[J]. 计算机工程与应用, 2021, 57(24): 168-178.
[4]	王传昱，李为相，陈震环. 基于语音和视频图像的多模态情感识别研究[J]. 计算机工程与应用, 2021, 57(23): 163-170.
[5]	崔子越，皮家甜，陈勇，杨杰之，鲜焱，吴至友，赵立军，曾绍华，吕佳. 结合改进VGGNet和Focal Loss的人脸表情识别[J]. 计算机工程与应用, 2021, 57(19): 171-178.
[6]	张宏丽，白翔宇. 利用优化剪枝GoogLeNet的人脸表情识别方法[J]. 计算机工程与应用, 2021, 57(19): 179-188.
[7]	张力为，王甦菁，段先华. 细粒度分层时空特征描述符的微表情识别方法[J]. 计算机工程与应用, 2021, 57(13): 154-160.
[8]	张人，何宁. 微表情识别研究综述[J]. 计算机工程与应用, 2021, 57(1): 38-47.
[9]	孙晓，丁小龙. 基于生成对抗网络的人脸表情数据增强方法[J]. 计算机工程与应用, 2020, 56(4): 115-121.
[10]	张爱梅，徐杨. 注意力分层双线性池化残差网络的表情识别[J]. 计算机工程与应用, 2020, 56(23): 161-166.
[11]	张延良，卢冰，蒋涵笑，洪晓鹏，赵国英，张伟涛. 微表情类别与区域间关联度的分析方法研究[J]. 计算机工程与应用, 2020, 56(19): 146-151.
[12]	梁华刚，王亚茹，张志伟. 基于Res-Bi-LSTM的人脸表情识别[J]. 计算机工程与应用, 2020, 56(13): 204-209.
[13]	吕诲，童倩倩，袁志勇. 基于人脸分割的复杂环境下表情识别实时框架[J]. 计算机工程与应用, 2020, 56(12): 134-140.
[14]	梁华刚，张志伟，王亚茹. 自适应Gabor卷积核编码网络的表情识别方法[J]. 计算机工程与应用, 2020, 56(10): 149-156.
[15]	阮凯，邱卫根. 多信息融合的深度学习人脸表情识别算法研究[J]. 计算机工程与应用, 2019, 55(5): 192-196.

稀疏判决分析在表情识别中的应用

Sparse discriminant analysis for expression recognition

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics