滕 飞

(沈阳理工大学 辽宁 沈阳 110159)

随着科技的进步，尤其是计算机技术的飞速发展,计算机的交互方式发生了重大的变化。通过计算机对人脸表情的识别，促进了人机交互技术的快速发展，这使得人脸表情识别成为信息领域炙手可热的研究课题之一。人脸表情识别主要功能是对自然环境下人们的各种表情进行识别，从而来判断人的心情和状态。但是现有的人脸表情识别方法都有识别率低的通病，因此提高识别率是一件非常具有挑战性的工作。

一、改进AdaBoost算法

通过对现有的SVM算法和AdaBoost算法的研究过程中，从中发现两种算法之间有很多相似点，即在两种算法的学习过程中都在不断迭代训练信息样本点。SVM算法中对错分的样本采用松弛变量和惩罚因子的方法进行样本训练；AdaBoost算法中采用增大错分样本权重的方法更新样本的分布，从而对弱分类器进行反复迭代强化，最终得到理想的效果。但是AdaBoost算法在计算过程中有一些很难避免的问题，当数据训练的样本增加时会容易导致分类器的分类效率下降、稳定性变差等问题，AdaBoost分类器不适合和强分类器进行级联。本文提出一种算法融合的方法，即AdaBoost算法和SVM算法的融合，在判断弱分类器个数到达上限时，能否达到误检率的最大值，以这种标准来判断是否让SVM来替代。

本文用到的AdaBoost和SVM的融合算法的具体步骤如下：

Step1：先对每一个样本添加一个权重属性，并且对每个样本权重进行初始化。

Step2：再对每一个样本点增加一个参数，该参数用来记录每个样本点被错误分类的次数，并且对错分次数进行清零。……