基于Gabor小波和SSA优化的SVM人脸表情识别研究.pdf

收稿日期：基金项目：安徽省自然科学基金重点项目（）；安徽省级质量工程重点教学研究项目（）；骨干教师国内访学研修项目（）；安徽高校自然科学研究项目（）作者简介：张辉（），男，江苏泰兴人，安徽师范大学皖江学院电子工程系副教授，硕士，研究方向：智能优化算法应用。：通信作者：王杨，：第 卷第期 年 月太原学院学报（自然科学版）（）基于 小波和 优化的 人脸表情识别研究张辉，王杨，王子凡，朱强军，张广海（安徽师范大学皖江学院 电子工程系，安徽 芜湖 ；安徽师范大学 计算机与信息学院，安徽 芜湖 ）摘要：针对传统支持向量机网格搜索算法寻优时间长，提出了一种识别率较高而且计算快速的人脸表情识别的方法。首先，使用 小波技术获取人脸表情纹理特征，然后，经主成分分析法降维，得到图像的关键特征，将这些特征输入到经麻雀搜索算法（，）优化的支持向量机（，）进行表情的分类。在 数据集上进行实验识别率可达 ，在 数据集上识别率可达 ，并且在此数据集上和传统的网格搜索算法对比，在寻优的时间上更有优势。关键词：小波；麻雀搜索算法；支持向量机；表情识别中图分类号：文献标识码：文章编号：（）犇 犗 犐：引言自 世纪 年代出现人脸识别技术以来，至今已有大半个世纪的发展史。人脸识别技术也在人们的生活之中得到了广泛的应用。随着人工智能技术的发展，用智能技术去识别生物特征已成为目前最受欢迎的技术之一。人脸表情蕴含着大量的信息，从表情中可以提取出非常丰富的信息，在商业方面，可以根据顾客的喜好进行商品的推荐；在教育方面，表情识别可以监控学生在课堂上的状态，从而达到更好的教育水平，在交通安全方面，可以监控驾驶员的是否疲劳，减少交通事故的发生。基于人工智能的方法去识别人脸表情已成为目前的研究热点。人脸表情识别一般包括步。第步，进行图像采集，既包括静态的采集，也包括动态的采集；第步，进行图像中人脸的检测和定位，目的是定位人脸在图像中的位置坐标；第步，图像的预处理，因为在采集图像的过程中不可避免地会有一些噪声的干扰；第步，特征提取和通过分类器进行分类。人脸表情识别技术的关键在于特征的提取，特征提取的好坏可以直接影响到算法的识别结果。人脸表情识别最早是基于几何结构的算法、基于隐马尔克夫法等。目前的主流特征提取有基于局部二值特征模式（，）、基于局部方向的模式（，）、小波主成分分析法。随着深度学习的发展，新的方法不断出现，如基于卷积神经网络（，）、基于生成式对抗网络（，）等。本文提出了一种基于 小波和麻雀搜索算法（，）优化支持向量机（）的人脸表情识别方法。实验在 数据集和 数据集进行训练和测试，使用 小波先对图像进行特征提取，将提取之后的特征输入到主成分分析法（，）进行降维，把降维之后的特征用麻雀优化算法优化之后在 之中进行表情分类。麻雀优化算法的优点是快速而且准确地搜索到 的核函数参数犮和惩罚参数犵，从而达到快速训练的目的。通过实验和分析得出，本文所提算法在正确率上达到比较高的程度，在寻优速度方面领先于传统的网格搜索法。小波纹理特征提取目前，对数字图像的处理主要可以分为两个方面，分别为空域和频域。空域也就是空间域，是指对图像进行像素级的处理；频域是通过将数字图像从像素级别转换成频率级别进行分析。频域分析法在目前的图像处理技术中有着广泛的应用，例如，在可以利用频率成分和图像外表之间的关系，将一些空域上很难表述的任务变得简单，滤波在频率域更加直观，它可以解释空间域滤波的某些性质。从空域分析变换成频域分析就要用到傅里叶变换。傅里叶变换将空域变换成频域，为图像的处理提供了一个新的方法。但是傅里叶变换有很大的局限性，因为，在对数字图像进行变换时是对整个时域图像进行积分变换，很难关注到一些局部的变化，导致傅里叶变换很难提取到图像的边缘特征，不利于纹理特征的提取。为了解决傅里叶变换的缺点，在 年提出了 小波变换，在变换之中引入了时间局部变化的窗函数，使图像的边缘特征明显，更加能够关注到图像的局部空间变化，小波对图像的边缘敏感，能够提供良好的方向选择和尺度选择。设犳为具体的函数，且犳犔（犚），则 变换的定义式为犌犳犪，犫，（）狑?犳（）狋犵犪狋（）犫犻 狑 狋狋（）式中：犵犪（）狋槡犪狋（）犪是高斯函数，也可称之为窗函数。其中犪，犫。犵犪狋（）犫是一个随时间局部发生变化的窗函数，其中，参数犫是用来平行移动窗口，以便于覆盖图像的整个时域，如对参数犫进行积分，则有?犌犳犪，犫，（）狑犫犳（）狑，狑犚（）信号重构的表达式为犳（）狋?犌犳犪，犫，（）狑 犵犪狋（）犫犻 狑 狋狑犫（）小波是由 变换推导而来，其中二维的 小波的表达式为，犽，（犽，狕）（犻犽，狕）（）（）式中：表示 滤波器的方向；表示滤波器的频率；狕表示图中像素的坐标；表示滤波器的方向；犻是算子，为复数。麻雀优化算法优化的 优化算法原理麻雀搜索算法是 年 提出的一种智能优化算法。算法主要模拟麻雀的觅食行为和反捕食行为。算法比较新颖，具有寻优能力强，收敛速度快等特点。主要的规则如下：该算法将麻雀的种群按个体在种群中的分工分为发现者和跟随者。）发现者通常在种群中储存较高的能量，负责在整个种群中寻找食物丰富的区域，并为所有参与者提供觅食的区域和方向。在建立模型时，能量储备的高低取决于个体麻雀的适应度值。）当麻雀发现捕食者时，个体麻雀会发出警报信号。如果报警值高于安全值，发现者会将跟随者带到另一个安全的地方进行觅食。）发现者和追随者的身份是动态不固定的。只要能找到更好的食物来源，每只麻雀个体都可以成为发太原学院学报（自然科学版）第 卷现者，但发现者和追随者在整个种群中的比例保持不变。换句话说，当一只麻雀个体成为发现者时，另一只麻雀个体成为追随者。发现者位置更新狓狋 犻，犱狓狋犻，犱 犻 犻 狋 犲 狉（）犚 狓狋犻，犱犙 犔烅烄烆 （）式中：狓狋 犻，犱表示在第狋次迭代中，第犻只麻雀在第犱维的位置；为随机数，取值范围为，；犙为正态分布的随机数；犚为随机数，取值范围为，；为预警阈值，取值范围为，。更新跟随者位置狓狋 犻，犼犙 狓狋 狓狋犻，犼犻（）犻狀狓狋 狆狓狋犻，犼狓狋 狆犃犔烅烄烆 （）式中：狓狆表示目前发现者所占领的最优位置；狓 表示目前全种群的最差位置；犃表示一个犱的矩阵，其中每个元素随机赋值为或。当犻狀时，表示种群中的第犻只麻雀没有获得食物，处于能量比较低的状态。需要抓紧去别的地方觅食。侦查预警行为狓狋 犻，犱狓 犫狋犻，犱狓狋犻，犱狓 犫狋犻，（）犱犳犻犳犵狓狋犻，犱犓狓狋犻，犱狓狑狋犻，犱犳犻犳狑（）犳犻犳烅烄烆犵（）式中：狓 犫狋犻，犱表示当前种群中全局的最优位置；为步长控制参数，是服从均值为，方差为的正态分布的随机数；犓，是一个随机数；犳犻是当前麻雀个体的适应度值；犳犵和犳狑表示全局最佳和最差的适应度图麻雀搜索算法优化流程 的值；为常数，防止分母为。当犳犻犳犵时，表示种群中的麻雀意识到了危险，需要靠近其他的麻雀，尽量减少被捕食的危险。麻雀优化算法主要是不断的迭代更新发现者和跟随者的位置，最终找到全局的最优值，本算法的主体流程如图所示。主成分分析法（）主成分分析法（）是一种对多维特征进行降维的算法。在用 分类器对数据进行分类之前，如果输入的特征维度较高，就要对特征的维度进行降维。就是目前应用最为广泛的数据降维算法。算法的主要思想是将在特征中关系可能比较紧密的变量，通过计算将其变成尽可能少的变量，这些新的变量能够最大程度地保留原来的特征，去除原来的冗余特征，使维度变低，减少样本的存储空间，能够加速计算速度，减少训练模型出现过拟合的情况。支持向量机算法（）支持向量机（）是一种有监督方式的机器学习算法。机器学习算法是能够按照监督的方式很好地完成二分类的广义线性分类器。是在特征空间中最大化间隔的线性分类器。将 进行推广即可以完成数据线性不可分的问题。首先，通过选择一个核函数犓，将低维的非线性数据映射到高维的空间中。在高维空间中完成线性分割，构造出最优分类超平面。核函数是计算两个向量在隐式空间映射后空间中的内积函数。核函数的定义为 年张辉，等：基于 小波和 优化的 人脸表情识别研究第期（）狓：犡犎（）式中：犡为输入特征；犎为映射之后的希尔伯特空间特征。使所有的狓，狔犡函数犓（，）（）狓（）狕，则犓（狓，狔）为核函数；（）狓为映射函数；（）狓，（）狔为狓，狔映射到特征空间的内积。目前主要的核函数有：线性核函数，主要用来解决线性可分的数据，直接在原始空间进行分类，对于线性可分数据，其表现良好；多项式核函数，可以将低维的输入特征空间映射到高维的输入特征空间，比较适用于正交归一化的数据；高斯核函数，是一个局部性很强的核函数，目前应用非常广泛。本实验采用高斯核函数。高斯核函数也称径向基函数，其定义式为犓 狓，（）狔 狓狓（）（）式中：狓 为核函数中心；狓狓为狓和狓 的欧式距离，值随两个向量之间的距离增加而增加；控制着核函数的作用范围。核函数无论是在大样本还是小样本数据中都有着很广泛的应用。使用 优化 中的核函数参数犮与惩罚参数犵会直接影响 分类器的分类性能。核函数参数犮过大，会造成模型结构复杂，容易出现过拟合；核函数参数过小，会造成模型结构过于简单，对样本的拟合能力就会下降。而惩罚参数犵过大或过小，都会在测试时导致泛化能力下降。因此选择一对合适的核函数参数犮与惩罚参数犵是 分类器分类性能高低的关键。使用 优化 就是对 的核函数参数犮与惩罚参数犵进行寻优。算法主要步骤如下：）初始化麻雀种群规模的总数，确定最大迭代次数，分配发现者和跟随者的比例，并确定需要优化参数的个数及每个参数的上限、上限，下限、下限。）计算种群之中每个麻雀的适应度，并为其分配种类。）根据公式（）公式（），对麻雀种群进行位置更新，并重新计算每个麻雀的适应度，重新分配麻雀种类。）是否达到最大迭代次数，若未达到继续执行步骤，若达到则结束迭代。）计算种群中最优位置的适应度，所对应的位置就为最优的核函数参数犮与惩罚参数犵。实验设计及分析 数据集和实验设备描述本文采用的数据集为 和 人脸表情数据库。数据集一共有 张图片，分别来自 名日本女学生。每人做出种表情，分别为愤怒、厌恶、恐惧、高兴、悲伤、惊讶、中性。每种表情的数量分布如表所示。数据集 由 名年龄从 岁到 岁的参与者组成，共 张图片序列。种表情分别为愤怒、厌恶、恐惧、高兴、悲伤、惊讶、蔑视。本实验从每次序列中提取最后个帧，共 张图片。每种表情的数量分布如表所示。表 每种表情的数量分布 表情数量张愤怒 厌恶 恐惧 高兴 悲伤 惊讶 中性 总计 表 每种表情的数量分布 表情数量张愤怒 厌恶 恐惧 高兴 悲伤 惊讶 蔑视 总计 太原学院学报（自然科学版）第 卷采用 进行实验，在 （）（），内存，的设备上进行。图实验总体流程图 实验过程设计本文结合 小波、麻雀搜索算法、快速主成分分析法、支持向量机技术，完成对种人脸表情的分类。通过 小波技术先进行图片纹理特征提取，之后，通过快速主成分分析法进行降维，将降维之后的数据输入 分类器。将人脸分类器分为两组，一组用于训练，剩下的用于测试。算法的主要步骤如下：）完成人脸表情数据库的训练集和测试集的分类，将训练集输入 小波进行纹理提取，每个 小波提取的特征有 维。）由于 小波提取出的特征过高，不能直接输入 分类器进行分类。将提取出的特征输入主成分分析法进行降维。）将降维之后的特征输入经过麻雀搜索算法优化后的 分类器进行分类。重复）和）两个步骤，调整测试集和训练集的比例和主成分分析法的维度。实验总体流程如图所示。实验结果及分析 数据集中划分的数量比例为 或 ，每张图片的维度从维开始。测试的结果如表所示。表 数据集测试结果 训练集和测试集数量比例正确识别率维 维 维 维 维 维 维 由表数据可知，当 数据集的训练集和测试集的比例达到 且维度达到 维时可以到达最佳的识别率，当维度达到 时，正确率不再上升。达到最高识别率时测试集的识别情况如图所示。图 数据集的最高识别率图 数据集中训练集和测试集划分的数量比例为 或 ，每张图片的维度降到维开始。每次测试的平均正确率如表所示。年张辉，等：基于 小波和 优化的 人脸表情识别研究第期表 数据集测试结果 训练集和测试集数量比例正确识别率维 维 维 维 维 维 维 由 表可知，训练集和测试集比例为 或 时都有较高的识别率，当比例为 、维度为 维时，最图 数据集的最高识别率图 高识别率可达。当训练集和测试集的比例达到 时，在 维就可以达到平均 的准确率。在 数据集上的表现较为优越。当 数据集达到最高识别率时，测试集的识别情况如图所示。由表和表可知，本文算法在 数据集上的识别率最高可以达到 ，在 数据集上的识别率最高可达。实验结果对比 算法寻优时间对比在 数据集上选取训练集和数据集之比为 、主成分分析法降维到 维时，将本文所提麻雀搜索算法（）和传统网格搜索算法优化的 进行比较。设置传统网格搜索算法的搜索步长为，将麻雀搜索算法和传统网格搜索算法的时间进行比较，两个算法的平均寻优时间如表所示。表算法寻优时间的对比 算法寻优时间麻雀搜索算法 传统网格搜索算法 从表可以看出，本文所采用的麻雀搜索优化算法与传统的网格小步长搜索算法相比，在寻优间上大幅度领先。算法识别率对比将本文算法与已有的机器学习算法进行对比，在 数据集上进行实验，训练集与测试集的划分为 ，将 小波提取的特征降维到 维，如表所示，可以看出本文所提算法在正确率上较为有优势。表算法识别率对比 算法识别率 二维主成分分析（）本文算法 结语针对传统支持向量机的网格搜索算法寻优速度慢，提出了一种采用 优化 的策略。先对数据集采用 小波提取特征，将提取的特征经 降维之后，输入到经 优化后得到核函数参数犮与惩罚参数犵的 中进行分类。实验结果表明，本文算法在 数据集上平均可以达到 左右的识别率；在 图片序列数据集上最高可达 的正确率。将本文所提算法在 数据集上与传统网格搜索算法对比，其在寻优时间上优势明显。在今后的研究中，还可以针对麻雀搜索算法进行优化改进，根据其在寻优过程中种群数量减少等问题，增加其寻优能力，或者使用特征融合策略进一步提高正确率。太原学院学报（自然科学版）第 卷参考文献：魏为民，孟繁星，才智，等人脸表情识别综述上海电力大学学报，（）：王涛，彭欣荣，朱经睿，等基于几何特征和 特征融合的笑脸识别算法的研究电子测试，（）：成亚丽，秦飞龙，李政文改进 结合几何特征融合的人脸表情识别计算机工程与设计，（）：苏岑，金瑜成，孙凯悦，等基于 小波和主成分分析的人脸表情识别台州学院学报，（）：张鹏，孔韦韦，滕金保基于多尺度特征注意力机制的人脸表情识别计算机工程与应用，（）：，（）：，（）：，：，（）：，：，（）：，（）：，：姚丽莎，张军委，房波，等基于 和 的人脸表情识别系统的设计与实现贵州师范大学学报（自然科学版），（）：，（）：，（）：犚 犲 狊 犲 犪 狉 犮 犺狅 狀犉 犪 犮 犻 犪 犾犈 狓 狆 狉 犲 狊 狊 犻 狅 狀犚 犲 犮 狅 犵 狀 犻 狋 犻 狅 狀犫 狔犛 犞犕犅 犪 狊 犲 犱狅 狀犌 犪 犫 狅 狉犠 犪 狏 犲 犾 犲 狋 犪 狀 犱犛 犛 犃犗 狆 狋 犻 犿 犻 狕 犪 狋 犻 狅 狀犣 犎 犃 犖 犌犎 狌 犻，犠犃 犖 犌犢 犪 狀 犵，犠犃 犖 犌犣 犻 犳 犪 狀，犣 犎 犝犙 犻 犪 狀 犵 犼 狌 狀，犣 犎 犃 犖 犌犌 狌 犪 狀 犵 犺 犪 犻（犇 犲 狆 犪 狉 狋 犿 犲 狀 狋 狅 犳犈 犾 犲 犮 狋 狉 狅 狀 犻 犮犈 狀 犵 犻 狀 犲 犲 狉 犻 狀 犵，犠 犪 狀 犼 犻 犪 狀 犵犆 狅 犾 犾 犲 犵 犲狅 犳犃 狀 犺 狌 犻犖 狅 狉 犿 犪 犾犝 狀 犻 狏 犲 狉 狊 犻 狋 狔，犠狌 犺 狌 ，犆 犺 犻 狀 犪；犛 犮 犺 狅 狅 犾 狅 犳犆 狅 犿 狆 狌 狋 犲 狉 犪 狀 犱犐 狀 犳 狅 狉 犿 犪 狋 犻 狅 狀，犃 狀 犺 狌 犻犖 狅 狉 犿 犪 犾犝 狀 犻 狏 犲 狉 狊 犻 狋 狔，犠 狌 犺 狌 ，犆 犺 犻 狀 犪）犃 犫 狊 狋 狉 犪 犮 狋：，（）（），犓 犲 狔 狑 狅 狉 犱 狊：；（责任编辑：巩利平）年张辉，等：基于 小波和 优化的 人脸表情识别研究第期