基于选择性集成分类器的面部表情识别研究

摘要：

为了提高面部表情的分类识别性能,基于集成学习理论,提出了一种二次优化选择性(quadratic optimization choice,QOC)集成分类模型.首先,对于九个基分类器,依据性能进行排序,选择前30％的基分类器作为集成模型的候选基分类器;其次,依据组合规则产生集成模型簇;最后,对集成模型簇进行二次优化选择,选择具有最小泛化误差的集成分类器的子集,从而确定最优集成分类模型.为了验证QOC集成分类模型的性能,选择采用最大值、最小值和均值规则的集成模型作为对比模型.实验结果表明,相对基分类器,QOC集成分类模型取得了较好的分类效果,尤其是对于识别率较差的悲伤表情类,平均识别率提升了21.11％;相对于非选择性集成模型,QOC集成分类模型识别性能也有显著提高.

关键词：选择性集成学习、多分类器、面部表情识别

所属期刊栏目：34

分类号：TP391.41(计算技术、计算机技术)

资助基金：西安市科学计划资助项目2017079CG/RC042XAKD001

在线出版日期：2018-01-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：3825-3827,3833