学科基地网站建设济南大型网站制作

学科基地网站建设,济南大型网站制作,上海服装外贸公司排名,查询公司的网站备案信息基于matlab的微表情识别。 通过gabor小波提取表情特征#xff0c;pca进行降维#xff0c;ELM分类器训练#xff0c;然后选择待识别的微表情#xff0c;提取特征后输入训练好的模型进行分类#xff0c;识别结果由MATLAB的GUI输出。 程序已调通#xff0c;可直接运行。微表…基于matlab的微表情识别。 通过gabor小波提取表情特征pca进行降维ELM分类器训练然后选择待识别的微表情提取特征后输入训练好的模型进行分类识别结果由MATLAB的GUI输出。 程序已调通可直接运行。微表情识别这玩意儿听起来玄乎实际操作起来倒是有种拼乐高的爽感。最近用MATLAB搭了个流程从特征提取到分类一气呵成特别是那个Gabor小波的眼神捕捉功能简直像给算法装了个显微镜。先说特征提取这块Gabor滤波器组是核心武器。MATLAB里搞这个特别方便直接调gbabor函数生成不同方向的滤波器组。这里有个小技巧波长参数别设太大微表情的肌肉抖动通常就0.2秒左右我试下来lambda2的时候效果最灵% 生成Gabor滤波器组 gaborArray gabor([4,4],[0,45,90,135]); featureVector []; for i 1:numel(gaborArray) gaborMag imgaborfilter(roiImg, gaborArray(i)); featureVector [featureVector; gaborMag(:)]; end这段代码跑完原本128x128的ROI区域会被展开成上万维的特征向量这时候PCA就该出场了。注意别直接把原始数据扔进去先做白化处理能让降维后的特征更解耦[coeff,score,latent] pca(featureVectors,Centered,true,NumComponents,150); projFeatures featureVectors * coeff;这里有个坑——PCA的维度不是拍脑袋定的。我对比过不同维度下的分类准确率发现当累计贡献率达到85%时性价比最高再往上增维对准确率的提升微乎其微。ELM分类器是整套流程里的速度担当。传统SVM在交叉验证时磨磨唧唧ELM直接矩阵运算一步到位。注意隐层节点数别设太小50个节点起步% ELM训练核心代码 inputWeight rand(hiddenSize, inputSize)*2-1; H 1./(1 exp(-inputWeight*projFeatures)); outputWeight pinv(H) * onehotLabels;这里用随机矩阵初始化输入权重时一定要确保值域在[-1,1]之间。有次手滑写成[0,1]导致准确率暴跌20%排查半天才发现是初始化范围的问题。GUI部分用App Designer拖控件比GUIDE方便得多。重点是把分类结果用进度条可视化毕竟微表情的强度差异很微妙。这里用uiprogressdlg做个加载动画用户体验直接拉满dlg uiprogressdlg(app.UIFigure,Title,正在分析微表情...); pause(0.5) set(dlg,Value,0.7,Message,特征匹配中); prediction ELM_predict(testFeature, outputWeight, inputWeight);整套系统跑起来后最魔性的地方在于实时检测——当算法突然在某人假笑时标出轻蔑标签那种拆穿微表情的爽感堪比侦探破案。不过要注意光照补偿有次在背光环境下把正常表情误判为厌恶后来加了个直方图均衡才解决。应用场景方面这套东西在医疗问诊和心理评估领域特别实用。上周拿团队成员的测试视频跑了下居然准确识别出某人在听到deadline时的瞬间紧张微表情吓得他们再也不敢在摄像头前摸鱼了。