一種可識別的多特徵關節稀疏表示面部表情識別方法

針對目標跟蹤中單個特徵對目標的描述能力較弱的問題，提出了一種多特徵結合謹慎側的稀疏表示跟蹤方法。 在粒子濾波的框架下，首先對目標模板和候選粒子的多種特徵進行提取和處理然後，利用字典模板對候選粒子進行聯合稀疏，並採用成核加速近端激發梯度（KAPG）方法求解稀疏係數，實現候選粒子的重建最後，將重構誤差最小的粒子作為跟蹤結果。

目前，網際網絡上大部分PCA上的人臉識別，並不是通過呼叫MATLAB自帶的PCA介面來實現的，實際上MATLAB已經實現了主成分分析的功能。

附件是使用 MATLAB 附帶的 PCA 函式（包括人臉庫）進行人臉識別的演示。

研究發現，當訓練樣本比例為70%時，識別率為100%，當設定為75%時，識別率可以達到100%。

近年來，稀疏表示分類（SRC）方法在影象識別中越來越受到關注。 SRC方法將測試樣品分為與最小重建誤差相對應的類別，這對於SRC的稀疏性原理來說並不是最優的。 為了從稀疏編碼係數中獲得更多的判別資訊，該文提出了一種新的決策規則係數和規則。

在YALE資料庫和MNIST資料庫上的實驗結果表明，所提方法優於原有的SRC方法。

換句話說，如果沒有過度擬合，你不能僅僅因為他戴眼鏡就識別出乙個人。

您說的是動態還是靜態表情識別？如果是動態的，首先，面部表情的動態集合就足夠你喝一壺了，更不用說表情識別了。

如果是靜態的，你只需要自己寫一些函式，收集到資料庫中，為表示式的某些特徵寫函式。 這比較簡單，但也需要很多**，這裡需要的是圖形介面的知識。 對於不了解 MFC 的新手來說也很難。

如果你每天認真學習，需要 1 個月才能保持靜止。

怎麼說呢。 這些演算法基本上都是封裝的。 我不知道你分析表示式的演算法是用什麼來做到這一點的？

svm？演算法是自己寫的嗎？您對 MFC 了解多少？

我對這樣的MFC了解不多。 我個人認為MFC的學習週期比較長，所以最好用QT來編寫GUI部分。

感覺就像你在資訊控制研究所說的那樣。

就我個人而言，我認為 GUI 部分大約有 400 行。 演算法本身的**量約為 400-600 行。 總共有800-1000行左右，每天可以做100行左右，除錯大約需要1天，總工作量大約20-25天。

但是，它不包括學習週期和演算法設計。