基于非下采樣Contourlet變換的人臉表情識(shí)別算法研究(共13頁(yè))

1、基于(jy)非下采樣Contourlet變換(binhun)的人臉表情(bioqng)識(shí)別算法研究賈函龍作者簡(jiǎn)介：賈函龍(1988-),男,遼寧丹東人,學(xué)士,助理實(shí)驗(yàn)師,主要研究方向: 工業(yè)自動(dòng)化編程、圖像處理; 王金芳 王金芳(1986-),女,河北保定人,碩士,工程師,主要研究方向:圖像處理、電子線路設(shè)計(jì)。 黃利飛 黃利飛(1988-),男,河南安陽(yáng),碩士,工程師,主要研究方向:圖像處理。(1 遼寧機(jī)電職業(yè)技術(shù)學(xué)院，遼寧 丹東 118000；2 燕山大學(xué) 電氣工程學(xué)院，秦皇島0662002；3杭州籌圖科技有限公司 ，杭州310000)摘要：本文研究了非下采樣Contourlet變換在人臉表

2、情識(shí)別中的應(yīng)用，并設(shè)計(jì)了相應(yīng)的算法流程。首先將人臉表情圖像分割為最能表征表情信息的眼睛和嘴巴兩個(gè)部分，然后利用非下采樣Contourlet變換對(duì)分割的局部圖像進(jìn)行特征提取，最后使用極限學(xué)習(xí)機(jī)進(jìn)行分類，并與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)照實(shí)驗(yàn)。研究結(jié)果顯示，表情分類平均準(zhǔn)確率可達(dá)86.57%，比BP神經(jīng)網(wǎng)絡(luò)的分類方法平均準(zhǔn)確率高出7.43%。而在執(zhí)行速度方面，極限學(xué)習(xí)機(jī)卻是BP神經(jīng)網(wǎng)絡(luò)的11.09倍，表明了本實(shí)驗(yàn)方案的高效性和可行性。 關(guān)鍵詞：人臉表情識(shí)別；非下采樣Contourlet變換；極限學(xué)習(xí)機(jī)；BP神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)： 文獻(xiàn)標(biāo)識(shí)號(hào)：Facial expression recognition base

3、d on the next sampling Contourlet transform algorithm researchJia Hanlong1, Wang Jinfang2, Huang Lifei3 (1 Liaoning Mechatronics College, Liaoning Dandong, 118000, China；2 Yanshan University, Qinhuangdao, 066200, China；3Hangzhou ChouTou Tech Co. LTD, Hangzhou, 310000, China)Abstract: this paper stud

4、ied the next sampling Contourlet transform in the application of facial expression recognition, and the corresponding algorithm design process. Facial expression of the image segmentation is the most can represent the expression information of the eyes and the mouth of two parts, and then use the sa

5、mpling Contourlet transform under the division of local image feature extraction, finally using extreme learning machine for classification, and compared with the BP neural network control experiment. The results showed that expression classification accuracy can reach 86.57% on average, than the BP

6、 neural network classification method of average accuracy higher than 7.43%. In the speed of execution method, extreme learning machine is 11.09 times that of the BP neural network show that the efficiency and feasibility of the experiment scheme.Key words: facial expression recognition; The next sa

7、mpling Contourlet transform; Extreme learning machine; The BP neural network引言(ynyn) 人臉表情含有豐富的人體行為信息(xnx)，可以直觀的反應(yīng)一個(gè)人的心理狀態(tài)。隨著人機(jī)交互的研究日益得到人們(rn men)關(guān)注，人臉表情識(shí)別已經(jīng)成為模式識(shí)別領(lǐng)域一個(gè)極具研究意義的分支。目前，應(yīng)用于表情識(shí)別的方法有基于gabor小波特征的方法，基于主動(dòng)形狀模型(ASM)和主動(dòng)外觀模型(AAM）的方法，基于流形的方法等。典型的人臉表情提取主要包括人臉表情的預(yù)處理，特征提取與選擇和人臉表情分類三個(gè)主要步驟。其中，表情特征的提取與選擇是

8、人臉表情識(shí)別步驟中最關(guān)鍵的一步。如何將人臉表情預(yù)處理得到的高維數(shù)據(jù)進(jìn)行快速有效的降維，是表情識(shí)別系統(tǒng)的核心，也是目前為止最難于有效解決的關(guān)鍵所在。Gabor小波可以提取多尺度、多方向的空間頻率特征，在人臉識(shí)別和表情識(shí)別的應(yīng)用技術(shù)中，已經(jīng)取得了一定的成績(jī)。Contourlet變換也是一種多尺度、多方向的變換，早在2002年，Martin Vetterli和M.N.Do就研究了該算法。該變換是基于小波多尺度分析的思想基礎(chǔ)研究的一種新的多尺度多方向分析方法。該變換不僅可以實(shí)現(xiàn)任意方向和尺度的分解，具有同小波變換一樣的優(yōu)勢(shì)，而且由于其在圖像輪廓特征和紋理信息方面的獨(dú)到的提取和描述，因而在圖像處理領(lǐng)域具

9、有較為廣泛的應(yīng)用。然而，該變換在輪廓波采樣過(guò)程進(jìn)行了下采樣轉(zhuǎn)換，因此失去了平移不變性，導(dǎo)致在圖像的恢復(fù)變換時(shí)，會(huì)造成偽吉布斯失真。為此，A.L.Cunha等人研究了非下采樣Contourlet變換 ，由于取消了變換過(guò)程中的下采樣，從而有效地抑制了偽Gibbs失真。鑒于Contourlet變換的缺陷，A.L.Cunha等人提出了NSCT變換。該變換是由非下采樣金字塔分解 (Nonsubsampled Pyramid，NSP)和非下采樣方向性濾波器組(Nonsubsampled Directional Filter Banks，NSDFB)組成的。非下采樣金字塔分解通過(guò)一個(gè)雙通道的濾波器組，可將信

10、號(hào)分解成一個(gè)多通和多個(gè)帶通部分。1 表情圖像預(yù)處理 由于拍攝環(huán)境的復(fù)雜性以及人體自身的運(yùn)動(dòng)，獲取的人臉表情信息會(huì)受到一些干擾。因此預(yù)先對(duì)要進(jìn)行特征提取和特征選擇的圖片(tpin)進(jìn)行人臉特征區(qū)域的定位，人臉區(qū)域的幾何歸一化以及直方圖均衡化，是有很重要的意義的4。JAFEE人臉表情庫(kù)后預(yù)處理前后的圖像如圖1和圖2所示，每行分別對(duì)應(yīng)一個(gè)人的7種表情，分別為憤怒(fnn)、厭惡、恐懼、高興、中性、悲傷和驚奇。圖1 JAFFE庫(kù)部分人臉表情(bioqng)圖像Fig.1 JAFFE library part of facial expression image圖2 經(jīng)過(guò)預(yù)處理后的表情圖像實(shí)例Fig.2

11、 After pretreatment of face image instance 人臉特征區(qū)域的定位采用基準(zhǔn)特征結(jié)合仿射變換5的方法，該方法可以估計(jì)左右瞳孔的位置，然后依據(jù)左右瞳孔的坐標(biāo)來(lái)確定人臉的位置，從而實(shí)現(xiàn)對(duì)人臉特征區(qū)域的定位。幾何歸一化是指圖像經(jīng)過(guò)尺度變換，得到統(tǒng)一大小的校準(zhǔn)圖像，即具有相同的高和寬，這樣可以使圖像在后期特征提取和特征選擇階段上具有相同的特征維數(shù)，從而簡(jiǎn)化運(yùn)算。直方圖均衡化可以消除部分光線和光照強(qiáng)度的影響，使圖像動(dòng)態(tài)范圍增大，對(duì)比度更加擴(kuò)展，有助于提高識(shí)別率。2 Contourlet變換與非下采樣Contourlet變換 Contourlet變換是一種新的圖像二維表

12、示算法，它的基本思想是首先用一個(gè)類似小波的多尺度分解描述出輪廓段，然后將圖像數(shù)據(jù)拉普拉斯金字塔變換(Laplacian Pyramid，LP)和二維方向?yàn)V波器組(Directional Filter Bank，DFB)進(jìn)行多尺度、多方向的變換。LP變換的基礎(chǔ)是高斯金字塔，這是通過(guò)對(duì)原始圖像循環(huán)進(jìn)行高斯低通濾波和下采樣來(lái)完成的，下采樣的過(guò)程相當(dāng)于帶通濾波器，這樣就形成了從上到下有層次的金字塔樣式的圖像分解，LP變換的主要功能是將圖像分解為低頻系數(shù)子帶和高頻系數(shù)子帶。從根本上說(shuō)，圖像是由一個(gè)數(shù)值矩陣組成的。矩陣相鄰的像素點(diǎn)可以組成短小的線條，而多個(gè)線條的聚集(jj)就形成圖像的基本輪廓和紋理特性，

13、因此引入DFB濾波器組的作用就是基于方向的角度對(duì)圖像進(jìn)行從粗分辨率到細(xì)分辨率的特征提取。DFB濾波器組首先將LP變換得到的高頻分量抽樣進(jìn)行多方向分解，然后通過(guò)將分布在同一方向的奇異點(diǎn)，合成一個(gè)系數(shù)，用類似于線段的基結(jié)構(gòu)表征圖像的邊緣細(xì)節(jié)等幾何特征，實(shí)現(xiàn)對(duì)圖像信息的稀疏逼近。對(duì)低頻子帶重復(fù)上述LP和DFB分解過(guò)程即可實(shí)現(xiàn)(shxin)圖像的多尺度多方向分解。LP分解的每一層將圖像分解為高頻(o pn)部分和低頻部分，而DFB的優(yōu)點(diǎn)是對(duì)于高頻部分的表現(xiàn)更加優(yōu)秀，這也就是兩則疊加之后的Contourlet變換更具有優(yōu)異性的原因。但是由于該變換在LP變換的分解和重構(gòu)濾波器的過(guò)程中，帶寬均大于。因此，對(duì)

14、濾波后的圖像進(jìn)行縮減下采樣會(huì)產(chǎn)生頻譜混疊。頻譜混疊會(huì)削弱了Contourlet變換的方向選擇性，因?yàn)橥环较虻男畔?huì)在幾個(gè)不同的方向子帶中再次出現(xiàn)。同時(shí)，Contourlet變換的下采樣也使該算法失去了平移不變性。鑒于Contourlet變換的缺陷的較為明顯，A.L.Cunha等人提出了NSCT變換。該變換是由非下采樣金字塔分解 (Nonsubsampled Pyramid，NSP)和非下采樣方向性濾波器組(Nonsubsampled Directional Filter Banks，NSDFB)組成的。非下采樣金字塔分解通過(guò)一個(gè)雙通道的濾波器組，可將信號(hào)分解成一個(gè)多通和多個(gè)帶通部分。NSCT

15、變換可以由兩步組成，先將圖像經(jīng)非下采樣金字塔分解濾波器分解為低頻圖像矩陣系數(shù)部分和高頻圖像矩陣系數(shù)部分，再由非下采樣方向性濾波器將高頻圖像矩陣系數(shù)部分分解為若干個(gè)子帶方向（見圖3）圖3 NSCT變換(binhun)分解示意圖Fig.3 NSCT transform decomposition diagram在NSP分解過(guò)程中由于沒(méi)有下采樣環(huán)節(jié)，所以NSCT變換具有平移不變性，這就增強(qiáng)了圖像特征信息的方向選擇性，更好地在多尺度(chd)多方向上實(shí)現(xiàn)了紋理特征的描述。 因?yàn)樯鲜鰞蓚€(gè)步驟中濾波器組的下采樣(ci yn)因子全部去除了，所以不會(huì)導(dǎo)致圖像的錯(cuò)位，這就是該變換滿足平移不變性的原因。運(yùn)用該變

16、換進(jìn)行圖像的NSCT變換分解后，同Contourlet變換一樣，會(huì)得到一個(gè)低頻子帶和若干個(gè)高頻子帶，而且隨著子帶層數(shù)的增加，細(xì)節(jié)被逐漸放大。 (a) 原圖 （b）低頻子帶 (a) The original image (b) The low frequency subband （c） 第一層兩個(gè)方向上的高頻子帶(c) The first layer of high frequency subband of two directions（d） 第二層兩個(gè)(lin )方向上的高頻子帶(d) The second two directions on the high frequency subban

17、d（e） 第三層兩個(gè)方向(fngxing)上的高頻子帶(e) the third layer of high frequency subband of two directions圖4 人臉表情(bioqng)圖像的三層分解Fig.4 The three layers of decomposition of facial expression images將JAFEE人臉表情庫(kù)中的一幅圖像進(jìn)行NSCT變換三層分解之后，如圖4所示，仔細(xì)觀察圖像的細(xì)微之處，我們可知，低頻子帶的圖像系數(shù)矩陣主要描述了人臉五官的基本輪廓，對(duì)原始圖像進(jìn)行了低頻濾波之后，圖像變得模糊不清，而高頻子帶的圖像系數(shù)矩陣則主要描

18、述了人臉五官的更細(xì)節(jié)的輪廓及紋理等信息。如第二層四個(gè)方向上的高頻子帶信息較為細(xì)膩的從不同方向描述了口、眼、鼻子的細(xì)節(jié)特征，驗(yàn)證了隨著子帶層數(shù)的增加，細(xì)節(jié)紋理等被逐漸放大，如第三層高頻子帶信息描述了更加細(xì)微的對(duì)光照等外部因素魯棒性強(qiáng)的細(xì)節(jié)特征。在采用支持向量機(jī)或者極限學(xué)習(xí)機(jī)進(jìn)行分類的時(shí)候，考慮該變換的平移不變性，分解次數(shù)太多會(huì)導(dǎo)致維數(shù)災(zāi)難。也考慮到各層子帶所描述和包含的信息量，取三層NSCT變換分解，且各層方向數(shù)目為2,4,2的時(shí)候，較為理想。3. 非下采樣Contourlet變換表情識(shí)別圖5 非下采樣Contourle變換在表情(bioqng)識(shí)別中的框架圖Fig.5 The next sam

19、pling Contourle transform in facial expression recognition in the frame在人臉表情識(shí)別系統(tǒng)中，人臉的每個(gè)部位(bwi)對(duì)表情識(shí)別的貢獻(xiàn)率是不同的。研究表明，眼睛和嘴唇部位，對(duì)人臉表情的識(shí)別，起著決定性的作用。因此，本算法將人臉表情分割成含有豐富表情的眼睛部位和嘴唇部位兩個(gè)部分。本文在人臉表情識(shí)別技術(shù)中NSCT算法，先用該算法進(jìn)行人臉表情關(guān)鍵區(qū)域的特征選擇，其中，在人臉表情的非下采樣Contourlet特征融合之后，因?yàn)榫S數(shù)較大（如選取JAFFE人臉表情庫(kù)的210幅圖片，特征提取然后融合之后可達(dá)210*101025維），直接帶

20、入分類器的話，會(huì)引起維數(shù)災(zāi)難，而且會(huì)極大的降低分類器的分類效率。為此，在把特征提取之后的數(shù)據(jù)引入分類器之前，應(yīng)先進(jìn)行數(shù)據(jù)壓縮，以避免維數(shù)災(zāi)難。本文引入PCA方法進(jìn)行維數(shù)約簡(jiǎn)。然后引入主成分分析算法進(jìn)行特征提取，最后采用極限學(xué)習(xí)機(jī)（extreme learning machine，簡(jiǎn)稱ELM）進(jìn)行表情分類，并與BP神經(jīng)網(wǎng)絡(luò)分類算法進(jìn)行識(shí)別(shbi)正確率和識(shí)別效率的對(duì)比。4 極限(jxin)學(xué)習(xí)機(jī)（ELM）2004年，新加坡南洋理工大學(xué)的黃廣斌副教授研究極限學(xué)習(xí)機(jī)（Exteme Learning Machine，ELM）算法。該算法是一種簡(jiǎn)單小巧、速度極快的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。傳統(tǒng)的神

21、經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，比如BP神經(jīng)網(wǎng)絡(luò)，不僅容易產(chǎn)生局部最優(yōu)解，而且(r qi)在訓(xùn)練時(shí)，需要人為設(shè)置大量的訓(xùn)練參數(shù)。極限學(xué)習(xí)機(jī)則小巧迅速的多，具有學(xué)習(xí)速度快且泛化性能好的優(yōu)點(diǎn)，這是因?yàn)樵撍惴ê?jiǎn)潔在只需要提前人為(rnwi)設(shè)置網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)目，在算法運(yùn)行過(guò)程中不僅不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值和隱元的偏置大小，而且最后只產(chǎn)生唯一的最優(yōu)解。因此，近年來(lái)，ELM也已經(jīng)成為神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域的一個(gè)研究熱點(diǎn)，并成功應(yīng)用于手寫數(shù)字識(shí)別、人臉識(shí)別、時(shí)間序列預(yù)測(cè)等領(lǐng)域。以下介紹ELM算法的工作原理。已知給定N個(gè)不同的樣本D=（xi ,yi）|xi Rn, yi Rn , i=1,2,3,，M。ELM算法是前饋神經(jīng)網(wǎng)絡(luò)

22、，主要用于訓(xùn)練單隱含層，這點(diǎn)與BP神經(jīng)網(wǎng)絡(luò)不同，BP神經(jīng)網(wǎng)絡(luò)可以手動(dòng)設(shè)置隱含層數(shù)目。那么，該神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型可以表述為： (1)其中，M表示隱含層的結(jié)點(diǎn)個(gè)數(shù)。上式可以簡(jiǎn)稱成 (2)其中，H為隱層輸出矩陣，表達(dá)式為： (3) (4) (5)在式（3）中，行代表訓(xùn)練樣本所有隱結(jié)點(diǎn)(ji din)的輸出。ELM算法是一種速度極快的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。其算法根據(jù)相關(guān)原理可以較為簡(jiǎn)略(jinl)的總結(jié)為如下幾步：第一步，通過(guò)隨機(jī)初始化的方式(fngsh)，對(duì)偏置和權(quán)值進(jìn)行隨機(jī)賦值。這一步由于不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值和隱元的偏置大小，大大提高了ELM算法的運(yùn)行速度。第二步，計(jì)算隱含層輸出矩陣H。

23、利用公式（4），求得訓(xùn)練樣本所有隱節(jié)點(diǎn)的輸出，并將其計(jì)算成矩陣的形式。第三步，近似求解權(quán)值，通過(guò)式，即可求得計(jì)算隱含層到輸出層的權(quán)值。5實(shí)驗(yàn)結(jié)果運(yùn)用非下采樣Contourle變換的方法，對(duì)人臉表情圖像進(jìn)行特征提取，并用PCA算法進(jìn)行特征選擇，最后以BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)（ELM）進(jìn)行分類。本章實(shí)驗(yàn)中所使用的數(shù)據(jù)庫(kù)是日本的JAFFE表情庫(kù)，該圖像庫(kù)由有10個(gè)女性的7種表情(生氣、厭惡、恐懼、高興、悲傷、驚訝和中性)，共計(jì)213幅圖像組成。本算法選取每人每種表情3幅，七種表情共210幅表情圖像來(lái)進(jìn)行實(shí)驗(yàn)。將每幅人臉表情圖像經(jīng)過(guò)幾何歸一化、直方圖均衡化等預(yù)處理后，可以得到每幅像素點(diǎn)為130130的

24、統(tǒng)一大小的圖像。實(shí)驗(yàn)采用三層NSCT變換分解，且各層方向數(shù)目為2,4,2，并將“PKVA”作為默認(rèn)的濾波器。所以，每張人臉表情經(jīng)變換后可以得到7個(gè)子帶特征信息。為了做到與人無(wú)關(guān)的表情識(shí)別，在表情的分類環(huán)節(jié)，引入BP神經(jīng)網(wǎng)絡(luò)和ELM算法進(jìn)行對(duì)照試驗(yàn)，并且隨機(jī)選擇每類表情的25幅表情圖像作為訓(xùn)練集，其余5幅表情圖像作為測(cè)試集。實(shí)驗(yàn)中BP神經(jīng)網(wǎng)絡(luò)和ELM算法的激勵(lì)函數(shù)都是S型函數(shù)。實(shí)驗(yàn)重復(fù)10次以降低隨機(jī)性。 表1 JAFFE數(shù)據(jù)庫(kù)人臉表情識(shí)別率 (%) Table.1 JAFFE facial expression recognition database (%)方法12345678910平均識(shí)別

25、率BP-NN74.2994.2971.4371.4374.2980.0085.7177.1482.8680.0079.14ELM85.7191.4388.5782.8682.8694.2982.8677.1488.5791.4386.57由表1我們可以看出，經(jīng)過(guò)非下采樣Contourle變換提取后，使用極限學(xué)習(xí)機(jī)的表情分類平均準(zhǔn)確率可達(dá)86.57%，比使用BP神經(jīng)網(wǎng)絡(luò)的分類方法平均準(zhǔn)確率高出7.43%。而在執(zhí)行時(shí)間方面，如表2所示，BP神經(jīng)算法執(zhí)行十次的平均時(shí)間為6.82s而,ELM算法僅為0.92s，我們可知極限學(xué)習(xí)機(jī)的速度(sd)BP神經(jīng)網(wǎng)絡(luò)的11.09倍，可見ELM算法的高速性和高效性。

26、 表2 JAFFE數(shù)據(jù)庫(kù)人臉表情(bioqng)識(shí)別的執(zhí)行時(shí)間 (s)Table.2 the execution time of the JAFFE facial expression recognition database (s)方法12345678910平均執(zhí)行時(shí)間BP-NN9.829.509.709.609.719.519.609.729.509.829.65ELM0.870.860.840.850.900.850.940.860.850.840.87本文還分析了各類表情識(shí)別的相關(guān)分布，如表3所示。我們可以的看到，分類正確率最低的是恐懼和厭惡，分別只有76%和80%。在恐懼表情的分類中

27、，表情大多被錯(cuò)分為(fn wi)厭惡和憤怒，在厭惡表情的分類中，表情大多被錯(cuò)分為憤怒和恐懼?？梢员砻鬟@四種表情在JAFFE庫(kù)上的表情單元的相近性，以致于無(wú)法使用NSCT變換提取出精確的表情特征。表3 JAFFE表情庫(kù)六類基本表情識(shí)別分布Table.3 JAFFE expression library distribution of six basic facial expression recognition表情類別識(shí)別次數(shù)識(shí)別率(%)憤怒厭惡恐懼高興悲傷驚奇憤怒481100096.00厭惡540302080.00恐懼233801076.00高興000453290.00悲傷013341282.

28、00驚奇000204896.00在六種基本(jbn)表情的實(shí)驗(yàn)分類結(jié)果中，可以通過(guò)繪制直方圖來(lái)更加簡(jiǎn)明的進(jìn)行對(duì)比分析，如圖6所示。各類表情中分類正確率最高的憤怒、驚奇和高興，分別達(dá)到了96%，96%和90%。各種表情的識(shí)別率相對(duì)來(lái)說(shuō)都是比較高，這表明了本算法(sun f)在實(shí)現(xiàn)表情正確分類上的有效性。圖6 人臉六種表情(bioqng)基本表情的識(shí)別率Fig.6 Face six basic facial expression recognition rate expressions本文所提方法比所提方法提高了8%-12%，如表4所示，顯示了文獻(xiàn)報(bào)道中不同的方法在JAFFE表情數(shù)據(jù)庫(kù)中的識(shí)別率，

29、可知本文所研究的方法的測(cè)試結(jié)果優(yōu)于文獻(xiàn)報(bào)道結(jié)果進(jìn)一步表明了本算法的有效性。 表4 不同方法在JAFFE庫(kù)上的識(shí)別率 (%)Table.4 different methods on the JAFFE library recognition rate (%)算法識(shí)別率Gabor濾波器+SVM79.10基于Gabor和LBP集成79.40Contourle變換+LPP+SVM75.24本文算法86.576 結(jié)論及展望本文研究將NSCT變換用于人臉表情的特征提取，最后使用極限學(xué)習(xí)機(jī)進(jìn)行分類，并將實(shí)驗(yàn)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比。詳細(xì)描述了實(shí)驗(yàn)結(jié)果中各類表情的識(shí)別率，通過(guò)各類表情識(shí)別率都比較高的結(jié)果，表明本方法的有效性和高效性。NSCT算法中，并沒(méi)有對(duì)NSCT各層分解方向數(shù)目做具體的探討；在表情分類時(shí)，ELM算法和BP神經(jīng)網(wǎng)絡(luò)各自(gz)的參數(shù)尋優(yōu)并沒(méi)有深化，因此(ync)對(duì)NSCT算法各層分解方向數(shù)目(shm)做具體的探討，進(jìn)行深化的參數(shù)尋優(yōu)，有望進(jìn)一步提高識(shí)別效果。參考文獻(xiàn)1 Huang G, Zhou H. Extreme learning machine for regression and multiclass cassificationJ. Systems,Man, and Cybernet