使用k-means进行面部表情分类

Question

我使用k-means对面部表情进行分类的方法是：

1. 使用opencv检测图像中的面部
2. 使用ASM和stasm获取面部特征点
3. 计算面部特征之间的距离（如图所示）。将有5个距离。
4. 计算每个面部表情的每个距离的质心（exp：在距离D1中，每个表情有7个质心'快乐，生气......'）。
5. 每个k-means使用5 k-means表示距离，每个k-means将得到第一步中最接近质心的距离所示的表达式。
6. 最终表达式将出现在最多k-means结果
中

然而，使用该方法我的结果是错误的？ 我的方法是正确的还是在某处错了？

Answer 1

K-means不是分类算法。一旦运行，它只是找到K个元素的质心，因此它将数据分成K个部分，但在大多数情况下，它与所需的类没有任何关系。当您想要探索数据并找到一些可区分的对象时，应该使用此算法（作为所有聚类方法）。在任何意义上都难以区分。如果您的任务是构建一个识别某些给定类的系统，那么它是 classification 问题，而不是 clustering < / strong>即可。最容易实现和理解的最简单的方法之一是KNN（K-最近邻居），它大致完成了你想要完成的任务 - 检查哪些类的对象是最接近某些类的对象那些。

为了更好地发现差异让我们考虑一下你的情况 - 你试图根据面部特征来检测情绪状态。在这些数据上运行k-means可以将您的面部照片分成多个组：

• 如果您使用不同人物的照片，它可以将特定人物的照片聚集在一起（因为他们的距离与其他人不同）
• 它可以将数据分成例如男人和女人，因为这些特征存在性别特异性差异
• 它甚至可以根据与相机的距离来分割您的数据，因为透视图会更改您的功能，从而创建“群集”。
• 等

正如您所看到的，有几十种可能的“合理”（甚至更完全不可解释）分裂，而K-means（和任何）其他聚类算法只会找到其中一种（在大多数情况下 - 不可解释的）。分类方法用于克服这个问题，“解释”算法你期待什么。