10.4.2 The Proposed MethodThe propo

10.4.2 The Proposed Method

The proposed method is divided into three stages, preprocessing, feature extraction, and expression classification, as illustrated in Figure 10.26.

10.4.2.1 Preprocessing For comparison, the original image of size 256 _ 256 is cropped into 168 _ 120 by removing the background influences. Since the illumination condition of the images in the JAFFE database is varied, we apply histogram equalization to eliminate lighting effects.

10.4.2.2 Feature Extraction DWT is applied on the cropped images two times and the LL component is used. Then, 2D-LDA is used to extract important features from each image. Other feature representations, such as PCA, LDA, ICA, and 2D-PCA, are also used for comparisons.


10.4.2.3 Expression Classification The linear SVM is used to identify seven facial expressions in the JAFFE database. To handle the multiclass problem, the tree-based one-against-one SVM as in (Hsu and Lin, 2002) is constructed. Different kernels of the SVM, such as linear, polynomial, and radar basis function, are also tested to compare the performance with the linear SVM.


10.4.3 Experimental Results and Performance Comparisons

The cross-validation strategy is applied as in (Lyons et al., 1999) and the leave-one-out strategy as in (Buciu et al., 2003) to perform comparisons with other existing systems. For the cross-validation strategy, the database is randomly divided into 10 segments in terms of different facial expressions. At each time, 9 out of the 10 segments are trained and the remaining segment is tested. The same procedure of training and testing is repeated 30 times. Finally, all the 30 recognition rates are averaged as the final performance of the proposed system. For the leave-one-out strategy, only one image in each class is tested at each time and the remaining images are used for training.

The experimental results show that the proposed system can successfully meet the criteria of accuracy and efficiency for identifying different facial expressions. For accuracy, the proposed method can outperform other existing systems based on the same database. The recognition rate of the proposed system is 95.71% by using the leave-one-out strategy and 94.13% by using the cross-validation strategy. For efficiency, it takes only 0.0357 s to process an input image of size 256 _ 256.

Table 10.9 shows the performance comparisons among the proposed system and the existing systems using the same JAFFE database. From Table 10.9, it is observed that no matter which strategy is used, the proposed system outperforms the others. The effects of different kernels of SVM, such as polynomial and radial basis functions, are also tested. In the experiments, the linear SVM is best suitable for the JAFFE database. It is because the feature vectors extracted by 2D-LDA are clustered in each class and can be separated by the linear SVM. The results are shown in Table 10.10, from which we observe that 2D-LDA is superior to PCA, LDA, and 2D-PCA as the feature extraction method. The performances of different feature extraction methods and different classifiers are also compared.

Tables 10.11 and 10.12 list the comparisons of using PCA, LDA, 2D-PCA, ICA, and 2D-LDA with SVM and RBFN. It is observed that SVM is the best classifier; however, RBFN is unreliable since the recognition rate is unsatisfactory. Tables 10.13

Kết quả (Việt) 1:

10.4.2 phương pháp được đề xuấtCác phương pháp được đề xuất được chia thành ba giai đoạn, tiền xử lý, tính năng khai thác, và phân loại biểu hiện, như minh hoạ trong hình 10,26.10.4.2.1 tiền xử lý cho so sánh, hình ảnh ban đầu của kích thước 256 _ 256 cắt thành 168 _ 120 bằng cách loại bỏ những ảnh hưởng nền. Kể từ khi các điều kiện chiếu sáng của những hình ảnh trong cơ sở dữ liệu JAFFE là đa dạng, chúng tôi áp dụng biểu đồ sự ngang nhau để loại bỏ hiệu ứng ánh sáng. 10.4.2.2 tính năng khai thác DWT được áp dụng trên những hình ảnh cắt hai lần và các thành phần sẽ được sử dụng. Sau đó, 2D-cấp LDA cải được sử dụng để trích xuất các tính năng quan trọng từ mỗi hình ảnh. Khác đại diện tính năng, chẳng hạn như PCA, cấp LDA cải, ICA, và 2D-PCA, cũng được sử dụng để so sánh. 10.4.2.3 biểu hiện phân loại SVM tuyến tính được sử dụng để xác định bảy biểu hiện khuôn mặt trong cơ sở dữ liệu JAFFE. Để xử lý vấn đề multiclass, dựa trên cây chống lại một SVM (Hsu và Lin, 2002) được xây dựng. Các hạt nhân khác nhau của SVM, chẳng hạn như tuyến tính, đa thức, và các chức năng cơ sở radar, cũng được thử nghiệm để so sánh hiệu suất với SVM tuyến tính.10.4.3 thử nghiệm kết quả và so sánh hiệu suấtChiến lược xác nhận đường được áp dụng như trong (Lyons et al., 1999) và chiến lược để lại một ra như trong (Buciu et al., 2003) để thực hiện so sánh với các hệ thống hiện có. Các chiến lược xác nhận đường, cơ sở dữ liệu ngẫu nhiên được chia thành các phân đoạn 10 trong điều khoản của biểu hiện trên khuôn mặt khác nhau. Tại mỗi thời gian, 9 trên các phân đoạn 10 được đào tạo và các phân đoạn còn lại kiểm tra. Cùng một thủ tục đào tạo và thử nghiệm lặp đi lặp lại 30 lần. Cuối cùng, tất cả các mức giá 30 của công nhận được tính trung bình là biểu diễn cuối cùng của hệ thống đề xuất. Các chiến lược để lại một ra, chỉ có một hình ảnh trong mỗi lớp được thử nghiệm tại mỗi thời điểm và những hình ảnh còn lại được sử dụng để huấn luyện.Kết quả thử nghiệm cho thấy rằng hệ thống đề xuất thành công có thể đáp ứng các tiêu chí chính xác và hiệu quả để xác định biểu hiện trên khuôn mặt khác nhau. Cho độ chính xác, phương pháp được đề xuất có thể tốt hơn hệ thống sẵn có khác dựa trên cơ sở dữ liệu tương tự. Tỷ lệ công nhận hệ thống đề xuất là 95.71% bằng cách sử dụng chiến lược để lại-một-out và 94.13% bằng cách sử dụng các chiến lược xác nhận qua. Đối với hiệu quả, nó mất chỉ 0.0357 s để xử lý một hình ảnh đầu vào kích thước 256 _ 256.Bảng 10.9 cho thấy so sánh hiệu suất trong số hệ thống đề xuất và các hệ thống hiện có bằng cách sử dụng cơ sở dữ liệu JAFFE cùng. Từ bảng 10.9, nó quan sát thấy rằng không có vấn đề mà chiến lược được sử dụng, Hệ thống đề xuất nhanh hơn so với những người khác. Những ảnh hưởng của hạt nhân khác nhau của SVM, chẳng hạn như hàm đa thức và xuyên tâm cơ sở, cũng được thử nghiệm. Trong các thí nghiệm, tuyến tính SVM là tốt nhất phù hợp với cơ sở dữ liệu JAFFE. Đó là bởi vì các tính năng vectơ chiết xuất bởi 2D-cấp LDA Cải tập trung tại mỗi lớp và có thể được tách ra bởi SVM tuyến tính. Các kết quả được hiển thị trong bảng 10,10, từ đó chúng tôi quan sát rằng cấp LDA Cải 2D là vượt trội so với PCA, cấp LDA cải và 2D-PCA là phương pháp khai thác tính năng. Các buổi biểu diễn của phương pháp khai thác các tính năng khác nhau và máy phân loại khác nhau cũng được so sánh.Bảng 10,11 và 10,12 danh sách so sánh sử dụng PCA, cấp LDA cải, 2D-PCA, ICA, và 2D-cấp LDA cải với SVM và RBFN. Nó quan sát thấy rằng SVM là loại tốt nhất; Tuy nhiên, RBFN là không đáng tin cậy kể từ khi mức công nhận là không đạt yêu cầu. Bàn 10.13