Gesichtsausdruck Klassifizierung in Echtzeit mit SVM

Question

Ich arbeite derzeit an einem Projekt, wo ich den Gesichtsausdruck eines Benutzers (nur ein Benutzer zu einer Zeit von einer Webcam) wie traurig oder glücklich extrahieren.

Meine Methode Gesichtsausdrücke für die Klassifizierung ist:

• Verwenden opencv das Gesicht im Bild zu erkennen
• Verwenden ASM und stasm den Gesichtsmerkmalspunkt

zu erhalten

und jetzt versuche ich Gesichtsausdruck Klassifizierung

zu tun

ist SVM eine gute Option? und wenn es ist, wie kann ich mit SVM anfangen:

wie werde ich svm für jede Emotionen mit dieser Orientierungspunkte zu trainieren?

Answer 1

Ja, SVMs haben in dieser Aufgabe zahlreiche Erfolge gezeigt. Es gab Dutzende (wenn nicht gar Hunderte) von Papieren, die solche Verfahren beschreiben.

Zum Beispiel:

• Simple paper
• Longer paper
• Poster about it
• More complex example

einige grundlegende Quellen der SVM können sich auf http://www.support-vector-machines.org/ erhalten werden (wie Bücher Titel, Software Links usw.)

Und wenn Sie nur daran interessiert sind sie eher dann Sie mit Verständnis kann man von Basisbibliotheken erhalten:

• LIBSVM http://www.csie.ntu.edu.tw/~cjlin/libsvm/
• svmlight http://svmlight.joachims.org/

Answer 2

, wenn Sie bereits opencv verwenden, Ich schlage vor, Sie verwenden die integrierte SVM-Implementierung, Training/Speichern/Laden in Python ist wie folgt. C++ hat eine entsprechende API, um dasselbe in etwa der gleichen Menge Code zu tun. es hat auch ‚train_auto‘ beste Parameter

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') 

und Ausgang

#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.]  

, so dass Sie die n liefern finden abgeflachte Form Modelle als Muster und n-Etikett und Sie sind gut zu gehen. Sie brauchen wahrscheinlich nicht einmal den asm-Teil, wenden Sie einfach einige Filter an, die für Orientierung wie sobel oder gabor empfindlich sind, und verketten Sie die Matrizen und glätten Sie sie dann füttern Sie sie direkt an svm. Sie können wahrscheinlich 70-90% Genauigkeit erhalten.

wie jemand sagte cnn sind eine Alternative zu svms.hier gibt es einige Links, die Lenet5 implementieren. bis jetzt finde ich svms viel einfacher zu beginnen.

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

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

-edit-

Grenzsteine ​​sind nur n-Vektoren (x, y) wahr? also warum versuchst du nicht, sie in ein Array der Größe 2n zu legen und sie einfach direkt in den obigen Code einzufügen?

zum Beispiel 3 Trainingsproben von 4 Landmarken (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 = glücklich

1 = wütend

2 = Ekel

Answer 3

Sie this Code überprüfen könnten, zu erhalten Idee, wie dies mit SVM gemacht werden könnte.

Sie Algorithmus finden erklärt here