通过标记面部图像上的34个特征点并使用Gabor变换提取特征，形成labeled graph (LG) vector来描述面部图像。结合基本表情的语义评分构成一个六维度的语义表达向量，利用KCCA算法学习LG vector与语义表达向量间的最大相关性投影，从而实现对面部表情的有效识别。
Zheng, W., et al. (2006).Neural Networks, IEEE Transactions on 17(1): 233-238.
在每个面部图像标记34个特征点，利用Gabor变换提取特征，形成一个labeled graph(LG) vector,代表了面部图像的特征。对于每个训练的面部图像，the semantic ratings describing the basic expressions are combined into a six-dimensional semantic expression vector.这样的一个六维向量就是一个面部表情的标签。
LG vector和semantic expression vector是相关的，利用KCCA算法学习最大相关的投影。利用这个投影向量，我们估计测试集（只有LG vector）的semantic expression vector。即实现了表情的识别。
流程图如下：
扫一扫
1359
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
