为解决取得特征向量维数过高问题，提出了一种改进的粗糙集属性约简算法。运用几何特征点方法得到人脸表情的局部特征向量，引入粗糙集理论，用改进的属性约简算法对提取到的表情特征进行优化选择，去掉冗余特征和对表情分类无用的不相关信息。实验结果显示，该方法不仅实现方便，识别率高，识别所用的时间也大大减少，充分表明了该方法的有效性。段丽,张建明:基于粗糙集的表情特征选择2010,46(32)属性约简方法仅从核属性岀发υ,求得决策表的核值,再将除态。随机选取Coh- Kanade表情库中40个人的表情图像来做去核值以外的属性根据一定的规则排序组合,得到约简集后,实验,前10个人的表情图像序列作为训练样本,剩余30个人诜取一个较简单的约简,只考虑了属性重要度,没有考虑到各的表情图像序列作为测试样本,每个人每种表情按由弱到强属性对信息系统的贡献的重复度。而改进的约简算法弥补了的顺序包含10幅图像,共2400幅图像,实验过程如下:原有方法的不足,首先寻找知识量最小的属性,将该属性从条(1)训练件属性集合中删除,看可辨识知阵中是否有单元素项,有则加步骤1在训练样本上,按2.1节中的几何特征点方法在每入到约简集合中,若没有则继续计算每个属性的相对约简的幅人脸中标定32个特征点,得36个表情特征;用22节中的改知识量;其次继续寻找剩余属性约简集合中的知识量最小的进的属性约简方法对这36个特征进行约简,得14个特征(即属性,依旧将该属性从条件属性集合中删除,再看可辨识矩阵D,D,D,D,D,D,D1,D…,D2,D2,D2,D2,D,D2),则每幅图中是否有单元素项,有则加入到约简集合中,若没有则继续计像有14个特征,每人每种表情序列得到140维的特征向量矩阵;算每个属性的相对约简的知识量,重复此过程。步骤2将每种表情得到的10个14×10的特征向量矩阵屮本文采用基于数据分布的决策表连续属性离散化方法对均化为1个14×10的平均特征向量矩阵,向量化为140维的列向由特征属性集组成的决策表进行离散化,使用改进的启发式量,记为y(=1,2,…,6),分别表示6种表情的模板特征向量。属性约简方法进行特征选择,其过程描述如下:(2)测试输入:决策系统T=(U,C∩D),其中,U为论域,是决策表选取余下的30个人,每个人每种表情的图像序列共10幅中参与约简的表情样本对象的集合,C为条件属性集合(表情图像。将待测图像序列分别同样进行特征提取和特征选择特征集合),D为决策属性集合(这里只有一个决策属性,为表得到40维的特征向量x,使用 Manhattan距离公式d=kx -yI+lr,-y,+.+kr, - l(4情类别)。输出:所有满足要求的条件属性集合C的约简RED。计算其与6类表情模板向量的Maπhala距离值,待测表情属算法具体执行过程的描述如下:于6个距离值中的最小的表情模板所代表的表情。其中,dw为步骤1根据决策表,由可辨识矩阵计算公式得到可辨识所求的距离,向量x表示待测表情特征向量,向量n(=1矩阵M,写出M的上三角(或下三角)矩阵2,……,6)表示6种表情的模板向量之一,实验结果如图2步骤2初始化:RED=,CORE=,W(a)=0;100一特征点+RS+ Manhattan步骤3查看步骤2中得到的可辨识矩阵是否有单元素项特征点+ Manhattan特征点+COS4有则把所有单元素项并入核集,CORE= COREU fa},即由可特征点+RS+COS辨识矩阵生成属性集的核集CORE。该步骤得到的CORE可能含有元素项,也可能为空步骤4为初始化的RED赋值,RED=CORE,并删除矩阵M中包含核的所有项,得到新的可辨识矩阵;75步骤5根据新的可辨识矩阵计算出每个属性的知识量W(a),并计算Mangrydisgustfesurprise步骤6当M≠0时,执行下面步骤图2表情识别结果比较{新可辨识矩阵中包含的元素M=CRED;把元素集合M由实验结果可知,本文方法(特征点+RS+ Manhattan距离中的知识量值最小的属性从矩阵M中的每一项中删除:;将矩得到的平均识别率是8547%,特征点+ Manhattan距离算法的阵M的项中只包含单个元素的属性添加到CORE中,删除M平均识别率是6.15%;当使用余弦距离作为分类器时,特征中包含CORE中元素的所有项,计算Wm(a),并计算M,RED=点+RS+COS的平均识别率为8452%,特征点+COs的平均识RED+CORE,计算出新的可辨识矩阵;}别率为83.63%。本文方法具有较高的识别率,尽管该方法比步骤7 Return ReD。返回满足要求的所有约简。特征点+ Manhattan距离算法的识別率略低,但选择的表情特在改进的属性约简过程中不断删除某些不重要的属性征是其1/3左右,所用的时间也是其的25左右。由此可见,本后,可辨识矩阵中可能会含有单元素项,即属性个数为1,说明文方法不但简化了计算,减少了计算机资源占用率,而且大大除了删除的某些属性之外,该属性在其他属性中是必不可少降低了系统的处理时间提高了系统的运行效率的,在约简中是不能被其他属性所代替的;若矩阵中不含有单元素项,表明删除的每个属性可以有其他的属性表示出来;单4结束语元素项不断添加到CORE中,核CORE和RED中的所有属性使用了一种基于粗糙集的特征选择的改良方法,对原有的集合组成了最终的约简结果,即除去被删除的属性的集合。表情特征进行挑选,使得挑选后的特征子集具有和原有特征综上所述,本文约简算法得到的约简结果所表达的系统与原集相近的识别能力。即首先对预处理后的表情序列提取特有的信息系统具有相同的决策能力。征,然后利用粗糙集理论的属性约简算法作为特征选择算法,最后用 Manhattan距离进行识别,提高了整个系统的运行效3实验与结果分析率。在此基础上,下一步准备将提取的整体特征加入到识别Cohn- Kanad表情库包含了200多人的6种表情的近2000系统中,实现更有效的人脸表情识別。个图像序列,每个序列都是从中性表情开始到表情的极大状(下转223贞)