实时使用SVM进行面部表情分类

Question

我目前正在处理一个项目，需要从网络摄像头中提取用户的面部表情（仅限单个用户），例如悲伤或快乐。

我用以下方法对面部表情进行分类：

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

现在我正在尝试进行面部表情分类。SVM是一个好选择吗？如果是，我该如何开始使用SVM？

我将如何使用这些特征点为每种情感训练SVM？

- TIBOU

---

深度神经网络总是比支持向量机更好。 - usamec

由于时间紧迫，我必须使用 SVM 进行工作，有什么帮助吗！！ - TIBOU

@usamec，你的说法并不总是正确的。首先这取决于“更好”的定义。 - Bull

@TIBOU：我正在做一件非常类似的事情，你是将点作为特征使用还是首先进行一些预处理，比如点之间的距离？ - Moha the almighty camel

虽然这是一个旧帖子，但我必须指出stasm不适合此工作，因为它仅设计用于中性正面人脸。你要检测的表情超出了其范围。 - ibreznik

Answer 1

是的，SVM已经被多次证明在这项任务中表现良好。已经有几十篇（如果不是上百篇）论文描述了这些过程。

例如：

- 简单论文 - 较长论文 - 海报 - 更复杂的例子 一些基本的SVM资源可以在http://www.support-vector-machines.org/上获得（如书籍标题、软件链接等）。

如果你只是想使用它们而不是理解它们，那么你可以获取其中一个基本库。

• libsvm http://www.csie.ntu.edu.tw/~cjlin/libsvm/（支持向量机库）
• svmlight http://svmlight.joachims.org/（轻量级支持向量机库）

- lejlot

---

我想使用面部特征点位置训练SVM来分类面部表情（开心，愤怒，厌恶等），我该如何做？ - TIBOU

http://stackoverflow.com/questions/18647405/train-svm-to-do-facial-expression-classification - TIBOU

如果您不介意我问一下，“我会听起来像个新手”，为什么要使用支持向量机而不是逻辑回归？这不是基本上相同的概念吗？ - Nour

唯一的相似之处在于它们都是线性模型，因此包括感知机、OMP、线性回归和其他几十种模型。SVM真正的优势在于一种特定形式的正则化，已被证明在许多任务中（无论是经验上还是理论上）都优于LR。但是，没有所谓的“更好的模型”，总会有一些任务需要选择LR而不是SVM。无论如何，它们并不相同。特别是，SVM可以通过一种非常高效的方式进行“去线性化”（核技巧），而LR则不能。 - lejlot

Answer 2

如果你已经在使用OpenCV，我建议你使用内置的SVM实现，在Python中进行训练、保存和加载的方法如下。C++也有相应的API可以用大约相同数量的代码完成相同的操作。它还有'train_auto'来找到最佳参数。

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.]    

所以您提供n个扁平化的形状模型作为样本和n个标签，就可以开始了。您可能甚至不需要asm部分，只需应用一些对方向敏感的滤波器，如sobel或gabor，并连接矩阵并将其扁平化，然后直接将它们馈送到svm中。您可能可以获得70-90％的准确率。 正如有人说的那样，卷积神经网络是支持向量机的替代方案。以下链接实现了lenet5。到目前为止，我发现svms更容易入门。

https://github.com/lisa-lab/DeepLearningTutorials/

http://www.codeproject.com/Articles/16650/Neural-Network-for-Recognition-of-Handwritten-Digi

-编辑-

地标只是n个(x,y)向量，对吧？那么为什么不把它们放入一个大小为2n的数组中，然后直接将它们馈送到上面的代码中呢？

例如，4个地标的3个训练样本(0,0),(10,10),(50,50),(70,70)

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.]

0=高兴

1=生气

2=厌恶

- Zaw Lin

---

我想使用面部特征点位置训练SVM来分类面部表情（开心，愤怒，厌恶等），我该如何做？ - TIBOU

http://stackoverflow.com/questions/18647405/train-svm-to-do-facial-expression-classification - TIBOU

在训练中，每种情绪都有许多图像，我该如何训练SVM呢？对于每种情绪，很抱歉我不太明白。 - TIBOU

当你开始编写代码时，下一步应该很明显。如果我有更多时间，我会尝试在这个周末发布一个更完整的示例。 - Zaw Lin

谢谢您先生，我正在尝试编写代码，我会等待您的帮助。 - TIBOU

@TIBOU - 请阅读这篇文章，它会为你节省很多麻烦：http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf - Bull

Answer 3

你可以查看这个代码this 来了解如何使用 SVM 来实现这个功能。

你可以在这里找到算法的解释here。

- Nenad Bulatović