由表2可知，本文提出的算法的正确识别率较单纯的SVM与AdaBoost方法有很大的提高，但是从实验中也可发现，不管有没有减少分类类别数，实验中始终存在误识别。因为测试中某些人的7种表情比较含蓄，即使人眼也无法确定其表情类别，以致算法在识别时出现错误。表2本文识别算法和其他算法平均识别率的比较

　　算法平均识别率/%SVM85.5AdaBoost80本文方法92.5

　　本文将识别率较高的高兴、恐惧、厌恶、生气、惊奇5种表情分别用于控制智能轮椅的运动，如图2所示。图2中：高兴（ⅰ）代表前进，恐惧（ⅱ）代表停止，厌恶（ⅲ）代表左转，生气（ⅳ）代表右转，惊奇（ⅴ）代表后退。

　　图2控制轮椅的5种表情3结束语

　　本文提出的混合AdaBoost与SVM的表情识别新算法，融合了2类算法的优势，弥补了2类算法的不足，降低了计算的复杂度，实现了人脸表情的识别。同时，在实验中发现，某些人的7种表情比较含蓄，即使人眼也无法确定其表情类型，以致算法在识别时出现错误。参考文献：

　　[1]李盛文，鲍苏苏.基于PCA+AdaBoost算法的人脸识别技术[J].计算机工程与应用，2010，46（4）：170173.

　　[2]张生亮，杨静宇.基于多级分类的大类别人脸识别研究[J].计算机应用研究，2008，10（25）：30693071.

　　[3]罗元，吴彩明，张毅.基于PCA与SVM结合的面部表情识别的智能轮椅控制[J].计算机应用研究，2012，29（8）：31663168

　　[4]朱健翔，苏光大，李迎春.结合Gabor特征与Adaboost的人脸表情识别[J].光电子·激光，2006（8）：993998.

　　[5]YANG Jian，ZHANG D，FRANGI F，et al.twodimensional PCA：a new approach to appearancebased face representation and recognition[J].IEEE Trans.Pattern Anal.Mach.Intell，2004，26（1）；131137.

　　[6]PAWLAK Z.Theorize with data using rough sets[C]//Proc of the 26th Annual International Computer Software and Applications Conference. Los Alamitos：IEEE Press，2002：11251128.

　　[7]PAUL V，MICHAEL J.Rapid object detection using a boosted cascade simple features[C]//Proc IEEE Conf on Computer Vision and Pattern Recognition. Kauai：[s.n.]，2001.

　　[8]BYUNGSUNG L，JUNCHUL C，PEOM P.Classification of facial expression using SVM for emotion care service system[C]//Proc of the 9th ACIS International

 

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。