目录
1.算法运行效果图预览
2.算法运行软件版本
matlab2022a
3.部分核心程序
...............................................................
%%
NAME = '悲伤';%测试则对所有图片进行测试
p0 = ['JAFFE\',NAME];
dt = dir(p0);
p = [dt.name];
err=[];
correct1 = 0;
figure;
for k = 1:length(dt)-3
k
path = dt(k+3,1).name;
I0 = imread([ 'JAFFE\',NAME,'\',path]);
[R,C,K] = size(I0);
if K == 1
I1 = I0;
else
I1 = rgb2gray(I0);
end
%特征提取
Hog_Dat1 = func_feature(I1);
FF2 = sim(net,Hog_Dat1);
subplot(5,6,k);
imshow(I0);
if round(FF2) == 1
title('悲伤');
correct1 = correct1+1;
end
if round(FF2) == 2
title('高兴');
end
if round(FF2) == 3
title('害怕');
end
if round(FF2) == 4
title('惊讶');
end
if round(FF2) == 5
title('生气');
end
if round(FF2) == 6
title('厌恶');
end
if round(FF2) == 7
title('中立');
end
pause(0.2);
end
err=[err,correct1/(length(dt)-3)];
.......................................................................
%%
NAME = '中立';%测试则对所有图片进行测试
p0 = ['JAFFE\',NAME];
dt = dir(p0);
p = [dt.name];
correct1 = 0;
figure;
for k = 1:length(dt)-3
k
path = dt(k+3,1).name;
I0 = imread([ 'JAFFE\',NAME,'\',path]);
[R,C,K] = size(I0);
if K == 1
I1 = I0;
else
I1 = rgb2gray(I0);
end
%特征提取
Hog_Dat1 = func_feature(I1);
FF2 = sim(net,Hog_Dat1);
subplot(5,6,k);
imshow(I0);
if round(FF2) == 1
title('悲伤');
end
if round(FF2) == 2
title('高兴');
end
if round(FF2) == 3
title('害怕');
end
if round(FF2) == 4
title('惊讶');
end
if round(FF2) == 5
title('生气');
end
if round(FF2) == 6
title('厌恶');
end
if round(FF2) == 7
title('中立');
correct1 = correct1+1;
end
pause(0.2);
end
err=[err,correct1/(length(dt)-3)];
figure;
bar(100*err)
xlabel('1:悲伤, 2:高兴, 3:害怕, 4:惊讶, 5:生气, 6:厌恶, 6:中立');
ylabel('情绪识别率%');
00624.算法理论概述
该算法主要由两个部分组成：HOG特征提取和GRNN神经网络。下面将详细介绍这两个部分的原理和数学公式。
1.HOG特征提取
HOG（Histogram of Oriented Gradients）是一种局部特征描述子，它通过对图像局部区域的梯度方向进行统计，提取出图像的结构信息。HOG特征提取主要分为以下几个步骤：
（1）图像预处理
首先，将图像转换为灰度图像，然后对其进行归一化处理，以提高特征的鲁棒性。
（2）计算梯度
使用[-1,0,1]的梯度算子在图像的x和y方向上进行卷积，计算图像的梯度和梯度方向。
（3）划分单元格
将图像划分为若干个小的单元格，并在每个单元格内统计梯度方向直方图。
（4）合并块特征
将相邻的单元格组成一个块，并将块内的特征进行合并，得到块特征。
（5）归一化特征
对块特征进行归一化处理，以提高特征的鲁棒性。
最终得到的HOG特征向量可以用于描述图像的结构信息。
2.GRNN神经网络
GRNN（Generalized Regression Neural Network）是一种基于多层感知机的回归模型，它可以将输入映射到一个连续的输出空间。GRNN神经网络主要分为以下几个部分：
（1）输入层
输入层接收HOG特征向量作为输入。
（2）隐藏层
隐藏层使用Sigmoid函数作为激活函数，将输入映射到一个非线性的隐藏层空间。隐藏层的输出可以表示为：
h=σ(Wx+b)
其中，W是权重矩阵，b是偏置向量，σ是Sigmoid函数。
（3）输出层
输出层使用线性函数将隐藏层映射到输出空间，输出层的输出可以表示为：
y=Wh+b
其中，W是权重矩阵，b是偏置向量。
（4）损失函数和优化算法
GRNN神经网络的损失函数通常采用均方误差（MSE），可以使用梯度下降算法优化网络参数。对于每个样本，损失函数可以表示为：
L=21(y−y^)2
其中，y是网络的输出，y^是样本的真实标签。通过最小化损失函数，可以优化网络参数。在训练过程中，通常采用反向传播算法计算梯度并更新网络参数。
3.JAFFE表情数据库
JAFFE表情数据库是一个用于表情识别的研究数据集，由日本女演员Jaffe于1998年捐赠给加州大学圣地亚哥分校。
该数据集包含了213张面部图片，每个人做出了7类表情，包括愤怒、厌恶、恐惧、快乐、哀伤、惊讶和中性。每组大约有20张样图，可以用来训练和测试面部表情识别的算法。
JAFFE数据集在计算机视觉领域的情感计算、表情识别和人机交互等方面有着重要的应用价值。它提供了一个标准化的面部表情数据集，可以用于研究表情识别算法的性能和可靠性，为实现面部表情识别的研究提供了基础。
使用JAFFE数据集需要一些前置条件，如熟悉基本的Python编程和图像处理技术，研究者需要利用相关的机器学习和计算机视觉算法来识别和分类面部表情。
总之，JAFFE数据集是一个标准和经典的表情识别数据集，对于研究表情识别算法的人来说是一个非常好的选择。
5.算法完整程序工程
OOOOO
OOO
O