Opencv 基于支持向量机的实时人脸表情分类

我目前正在做一个项目，我必须提取用户的面部表情（一次只能从网络摄像头中提取一个用户），比如悲伤或快乐

我的面部表情分类方法是：

• 使用opencv检测图像中的人脸
• 使用ASM和stasm获取面部特征点

现在我正在尝试面部表情分类

支持向量机是一个好的选择吗？如果是，我如何从SVM开始：

---

我将如何使用这些标志为每种情绪训练支持向量机？

是的，支持向量机在这项任务中表现良好。已经有几十篇（如果不是几百篇）的论文描述了这样的程序

例如：

支持向量机本身的一些基本来源可以在上获得（如书籍标题、软件链接等）

如果您只是对使用它们感兴趣，而不是了解它们，您可以获得一个基本库：

• libsvm
• svmlight

---

如果您已经在使用opencv，我建议您使用内置的svm实现，python中的培训/保存/加载如下所示。C++有相应的API，在相同的代码量下也能做到这一点。它还具有“train_auto”功能，可以找到最佳参数

import numpy as np
import cv2

samples = np.array(np.random.random((4,5)), dtype = np.float32)
labels = np.array(np.random.randint(0,2,4), dtype = np.float32)

svm = cv2.SVM()
svmparams = dict( kernel_type = cv2.SVM_LINEAR, 
                       svm_type = cv2.SVM_C_SVC,
                       C = 1 )

svm.train(samples, labels, params = svmparams)

testresult = np.float32( [svm.predict(s) for s in samples])

print samples
print labels
print testresult

svm.save('model.xml')
loaded=svm.load('model.xml')

和输出

#print samples
[[ 0.24686454  0.07454421  0.90043277  0.37529686  0.34437731]
 [ 0.41088378  0.79261768  0.46119651  0.50203663  0.64999193]
 [ 0.11879266  0.6869216   0.4808321   0.6477254   0.16334397]
 [ 0.02145131  0.51843268  0.74307418  0.90667248  0.07163303]]
#print labels
[ 0.  1.  1.  0.]
#print testresult
[ 0.  1.  1.  0.]    

因此，您可以提供n个展平的形状模型作为示例和n个标签，这样就很好了。你甚至可能不需要asm部分，只需应用一些对方向敏感的过滤器，如sobel或gabor，将矩阵串联并展平，然后直接将它们输入svm。你可能会得到70-90%的准确率

正如有人所说，cnn是支持向量机的替代品。下面是一些实现lenet5的链接。到目前为止，我发现支持向量机更容易启动

-编辑-

地标只是n（x，y）个向量，对吗？那么，为什么不尝试将它们放入一个大小为2n的数组中，直接将它们输入到上面的代码中呢

例如，4个地标的3个训练样本

（0,0）、（10,10）、（50,50）、（70,70）

0=快乐

1=生气

2=厌恶

您可以检查代码，了解如何使用SVM实现这一点

---

你可以找到算法解释

深度神经网络总是比SVM好。由于时间关系，我必须使用SVM，有什么帮助吗@乌萨梅克，你的说法并不总是正确的。取决于“更好”的定义。@TIBOU：我正在做一些非常类似的事情，你是将点用作特征，还是先做一些预处理，例如点之间的距离？旧线程，但我必须指出，stasm是一个错误的工具，因为它只设计用于数字正面。你想要检测的表情超出了范围。我想训练支持向量机使用地标来分类面部表情（高兴、生气、厌恶等等），我怎么能做到呢？如果你不介意我问，“我在这里听起来像个傻瓜”，为什么要用支持向量机而不是逻辑回归？这基本上不是同一个概念吗？唯一的相似之处是它们都是线性模型，感知机、OMP、线性回归等等都是线性模型。支持向量机的真正优势在于一种特殊形式的正则化，这已被证明在许多任务中优于LR（经验和理论）。但是，仍然没有“更好的模型”这样的东西，总有一个任务是最好使用支持向量机的LR来完成的。无论哪种方式，它们都不一样。特别是，支持向量机可以很容易地以一种非常有效的方式“去线性化”（内核技巧）。LR不是。我想训练svm使用地标位置对面部表情（高兴、生气、厌恶等）进行分类。我该怎么做？在训练中，我有很多关于各种情绪的图像。我该如何训练svm！！对于每一种情绪，对不起，我不明白你将不得不开始写代码，一旦你有了一个工作的东西，下一步该做什么就变得显而易见了。如果我有更多的时间，我将在本周发布一个更完整的示例谢谢，先生，我正在尝试编写此代码，我将等待您的帮助

samples = [[0,0,10,10,50,50,70,70],
[0,0,10,10,50,50,70,70],
[0,0,10,10,50,50,70,70]]

labels=[0.,1.,2.]