改进视觉词袋方法以实现有效的面部表情图像分类
计算机视觉与模式识别
2018-10-02 v1
摘要
视觉词袋（BoVW）方法近年来已广泛用于图像分类。然而，关于最优特征选择、聚类技术、缺乏数据空间组织以及视觉词加权等方面的局限性是关键问题。这些因素影响模型的稳定性并降低性能。我们提出基于BoVW开发一种用于面部表情分析的算法，以克服这些局限。因此，视觉码本通过使用k-Means++方法来构建，以避免不良聚类。为利用可靠低层特征，我们搜索最佳特征检测器，以避免定位大量对分类过程无贡献的关键点。然后，我们提出计算相对关联矩阵，通过编码视觉词之间的关系来保留数据的空间顺序。此外，引入了一种反映给定图像中视觉词重要程度的加权方案。我们通过使用支持向量机的直方图相交核来学习判别分类器，从而加速学习过程。所提算法的效率与标准视觉词袋方法以及带空间金字塔的视觉词袋方法进行了比较。在CK+、MMI和JAFFE数据库上的大量实验显示出良好的平均识别率。同样，使用DynEmo数据库研究了识别自发与非基本表情状态的能力。
引用
@article{arxiv.1810.00360,
title = {Improving Bag-of-Visual-Words Towards Effective Facial Expressive Image Classification},
author = {Dawood Al Chanti and Alice Caplier},
journal= {arXiv preprint arXiv:1810.00360},
year = {2018}
}
备注
8 pages, 6 figures, Volume 5: VISAPPm year 2018, publisher=SciTePress, organization=INSTICC, isbn=978-989-758-290-5