PRICAI 2016 論文精選 | 基于稀松K-SVD算法的自發(fā)性微表情識(shí)別

導(dǎo)讀：隨著信息采集技術(shù)和傳感器技術(shù)的迅速發(fā)展，利用計(jì)算機(jī)視覺(jué)技術(shù)識(shí)別微表情的相關(guān)研究實(shí)驗(yàn)已經(jīng)越來(lái)越多。這些試驗(yàn)中，實(shí)際獲取的圖像數(shù)據(jù)的維數(shù)越來(lái)越高，如何有效地描述圖像，方便后續(xù)處理，已成為圖像處理、模式識(shí)別、機(jī)器學(xué)習(xí)等領(lǐng)域急需要解決的問(wèn)題之一。在已有的眾多的方法中，稀疏算法以其魯棒性好、泛化能力和抗干擾能力強(qiáng)等優(yōu)勢(shì)，已成為目前研究的熱點(diǎn)。本文被 PRICAI 2016 大會(huì)收錄，探討了基于稀松K-SVD算法的自發(fā)性微表情識(shí)別。

標(biāo)題：基于稀松K-SVD算法的自發(fā)性微表情識(shí)別

摘要：微表情識(shí)別因?yàn)樘^(guò)細(xì)微，一直是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)具有挑戰(zhàn)性的問(wèn)題，但往往很難隱藏。本文提出了一種稀松K-SVD算法(RK-SVD)來(lái)學(xué)習(xí)用于自發(fā)性微表情識(shí)別的稀疏字典。在RK-SVD中，考慮到重建誤差和分類(lèi)誤差，將稀疏系數(shù)的方差最小化來(lái)處理同類(lèi)相似性和異類(lèi)差異性。通過(guò)K-SVD算法和隨機(jī)梯度下降算法實(shí)現(xiàn)優(yōu)化。最后，一個(gè)單獨(dú)的過(guò)完備詞典和一個(gè)最優(yōu)線性分類(lèi)器同時(shí)被學(xué)習(xí)。實(shí)驗(yàn)結(jié)果基于兩個(gè)自發(fā)性微表情數(shù)據(jù)庫(kù)，CASME和CASME II，表明新算法的性能優(yōu)于其他先進(jìn)算法。

關(guān)鍵詞：K-SVD相關(guān)；字典學(xué)習(xí)；微表情識(shí)別

第一作者簡(jiǎn)介：

Hao Zheng

南京曉莊學(xué)院，信息工程學(xué)院，可信云計(jì)算和大數(shù)據(jù)分析重點(diǎn)實(shí)驗(yàn)室；

東南大學(xué)，計(jì)算機(jī)科學(xué)與工程學(xué)院，計(jì)算機(jī)網(wǎng)絡(luò)及信息集成教育部重點(diǎn)實(shí)驗(yàn)室；

新型軟件技術(shù)省級(jí)重點(diǎn)實(shí)驗(yàn)室。

via PRICAI 2016

論文原文件下載

雷鋒網(wǎng)按: 本文由雷鋒網(wǎng)獨(dú)家編譯，未經(jīng)許可禁止轉(zhuǎn)載！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。