×
卢，杨；王世刚；赵文婷

基于离散可分离shearlet变换和特征选择的面部表情识别。 （英语） Zbl 1461.94017号

算法（巴塞尔） 12，第1号，第11号论文，第13页（2019年）.
摘要：本文提出了一种基于离散可分离剪切变换（DSST）和归一化互信息特征选择的人脸表情识别新方法。该方法可分为五个步骤。首先，对所有测试和训练图像进行预处理。其次，将DSST应用于预处理的面部表情图像，并将所有变换系数作为原始特征集。第三，提出了一种改进的归一化互信息特征选择方法，以找到原始特征集的最优特征子集，从而保留原始数据的关键分类信息。第四，采用线性判别分析减少了特征空间的特征提取和选择。最后，使用支持向量机对表达式进行识别。在本研究中，对四个开放的面部表情数据库进行了实验验证。结果表明，该方法不仅可以提高面部表情的识别率，而且可以显著降低计算复杂度，提高系统效率。

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）
62H30型 分类和区分；聚类分析（统计方面）
62华氏35 多元分析中的图像分析

关键词：

面部表情识别；离散可分离剪切变换；特征选择；线性鉴别分析；支持向量机

软件：

科恩-卡纳德；贾菲
PDF格式BibTeX公司 XML格式引用
\textit{Y.Lu}等人，《算法（巴塞尔协议）》12，第1期，第11号论文，第13页（2019年；Zbl 1461.94017）
全文： 内政部

参考文献：

[1] 张伟。；Zhang，Y。；马，L。；关，J。；多模态学习在面部表情识别中的应用；图案识别：2015; 第48卷，3192-3202。
[2] Lekdioui，K。；梅苏西，R。；Ruichek，Y。；基于纹理/形状描述符和SVM分类器的表情识别人脸分解；信号处理。图像通信：2017年；第58卷，300-312。
[3] 阿勒特，B。；Mennesson，J。；比拉斯科，I.M。；人脸配准技术对人脸表情识别的影响；信号处理。图像通讯：2018; 第61卷，44-53。
[4] 刘，Y。；利用从面部突出区域提取的融合特征进行面部表情识别；传感器：2017年；第17卷。
[5] Stai，E。；Kafetzoglou，S。；Tsiropoulou，E.E。；Papavassiliou，S。；丰富多媒体内容中个性化、相关性反馈和推荐的整体方法；Multimed公司。工具应用：2018; 第77卷，283-326。
[6] Pouli，V。；Kafetzoglou，S。；Tsiropoulou，E.E。；Dimitriou，A。；Papavassiliou，S。；通过相关反馈技术进行个性化多媒体内容检索，以增强用户体验；IEEE 2015第13届国际电信会议（ConTEL）会议记录：，1-8.
[7] Bobadilla，J。；奥尔特加，F。；埃尔南多，A。；古铁雷斯，A。；推荐系统调查；知识-基于系统：2013; 第46卷，第109-132页。
[8] 巴拉巴诺维奇，M。；肖姆，Y。；Fab：基于内容的协作推荐；Commun公司。ACM:1997年；第40卷，第66-72页。
[9] 穆罕默德，M.R。；Fatemizadeh，E。；Mahoor，M.H。；基于PCA的稀疏表示人脸表情准确识别词典构建；视觉杂志。Commun公司。图像表示：2014年；第25卷，1082-1092。
[10] 张，Y.D。；杨振杰。；卢，H.M。；基于双正交小波熵、模糊支持向量机和分层交叉验证的人脸情绪识别；IEEE访问：2017年；第4卷，8375-8385。
[11] Wang，S.H.公司。；杨伟（Yang，W.）。；东，Z。；基于离散小波变换、主成分分析和猫群优化的人脸情绪识别；第七届智能科学与大数据工程国际会议论文集（IScIDE 2017）：2017年德国柏林，203-214.
[12] 塞莱斯尼克，I.W。；小波，现代信号处理工具；物理。今天：2007年；第60卷，第78-79页。
[13] 唐，M。；陈，F。；基于曲线变换和PSO-SVM的面部表情识别及其应用；Optik-Int.J.光电子光学：2013; 第123卷，5401-5406。
[14] 侯，B。；张，X。；布，X。；基于非次采样Shearlet变换的SAR图像去噪；IEEE J.选择。顶部。申请。地球观测卫星遥感：2012年；第5卷，809-823。
[15] 林，W.Q。；离散剪切波变换：一种新的方向变换和紧支撑剪切波框架；IEEE传输。图像处理：2010; 第19卷，1166-1180·Zbl 1371.94233号
[16] Sun，W.Y；面部表情识别算法研究：中国北京，2006，37-38.
[17] 巴提提，R。；监督神经网络学习中利用互信息选择特征；IEEE传输。神经网络：1994; 第5卷，537-550。
[18] 巴勃罗，A.E。；Tesmer，M。；佩雷斯，C.A。；归一化互信息特征选择；IEEE传输。神经网络：2009; 第20卷，189-201。
[19] Wu，S.H。；Jensen不等式补强的推广及应用；四川大学学报（自然科学版）：2005；第3卷，437-443·Zbl 1101.26310号
[20] Hong，Y.Y。；吴，C.P。；采用混合主成分分析网络进行日前电价预测；能源：2012年；第5卷，4711-4725。
[21] 魏毅。；Yu，Y。；基于SaDE-ELM算法的船舶燃油系统故障诊断研究；算法：2018年；第11卷。
[22] 杜J.L。；刘，Y.Y。；Yu，Y.N。；基于支持向量机和粒子群优化算法的降水数据预测；算法：2017年；第10卷·Zbl 1461.62201号
[23] 里昂，M。；赤松，S。；卡马奇，M。；基于Gabor小波的人脸表情编码；第三届IEEE自动人脸和手势识别国际会议论文集：，200-205.
[24] 露西，P。；扩展的Cohn-Kanade数据集（CK+）：一个用于动作单位和情绪特定表达式的完整表达式数据集；IEEE第三届人类交际行为分析CVPR国际研讨会论文集：，94-101.
[25] Pantic，M。；Valstar，M。；Rademaker，R。；Maat，L。；基于Web的面部表情分析数据库；IEEE多媒体与博览会（ICME）国际会议记录：，5
[26] PICS数据库。
[27] 卢，Y。；王，S.G。；W.T.赵。；Zhao，Y。；基于shearlet变换的人脸表情识别新方法；IEEE第五届信号和信息处理全球会议（GlobalSIP）会议记录：，398-402.
[28] Ghimire，D。；Lee，J。；基于几何特征的多类AdaBoost和支持向量机人脸表情识别；传感器：2013年；第13卷，7714-7734。
[29] Uçar，A。；德米尔，Y。；居泽利什，C。；一种新的基于curvelet变换和在线序列极值学习机的人脸表情识别方法；神经计算。申请：2016; 第27卷，131-142。
[30] 里维拉，A.R。；Castillo，J.R。；Chae，O。；用于人脸分析的局部方向数字模式：人脸和表情识别；IEEE传输。图像处理：2013; 第22卷，1740-1752年·Zbl 1373.94341号
[31] 陆总。；李，X.N。；H.B.李。；新生儿面部疼痛表情识别研究；Acta Opt.公司。罪：2008; 第11卷，664-667。
[32] Li，Y.Q。；Li，Y.J。；H.B.李。；融合全局和局部多种特征的人脸表情识别；Acta Opt.公司。罪：2014年；第34卷，172-178。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。