使用k-means进行面部表情分类答案

【问题标题】：facial expression classification using k-means使用k-means进行面部表情分类
【发布时间】：2013-09-08 12:06:03
【问题描述】：

我使用k-means对面部表情进行分类的方法是：

使用opencv检测图片中的人脸
使用ASM和stasm获取面部特征点
计算面部特征之间的距离（如图所示）。会有5个距离。
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“快乐、愤怒...”有 7 个质心）。
使用 5 个 k-means，每个 k-means 表示一个距离，每个 k-means 将具有由最接近第一步计算的质心的距离显示的表达式。
最终表达式将是出现在 k-means 结果中最多的表达式

但是，使用这种方法我的结果是错误的？我的方法是正确的还是某处有问题？

【问题讨论】：

考虑使用分类而不是聚类。
我也会进行分类，但如果你想尝试一下，你可以看看 k-means 是如何使用这 5 个特征并在 5 维空间中找到质心的。
您是否曾经绘制过数据以查看它是否可分离？由于很难绘制 5 维数据，我建议运行 PCA 并绘制不同表达式的前三个主成分，以便查看它们是否实际上是可分离的。如果它们重叠，您必须考虑一种新的方式来表示您的数据。真的很难说表达面部表情的最佳方式是什么，那么为什么不使用深度信念算法来找到这个问题的答案呢？

标签： machine-learning data-mining face-detection feature-detection

【解决方案1】：

K-means 不是分类算法。一旦运行，它会简单地找到 K 个元素的质心，因此它将数据拆分为 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，应使用此算法（与所有聚类方法一样）。在任何意义上都可以区分。如果您的任务是构建一个能够识别某些给定类的系统，那么这是一个 classification 问题，而不是 clustering。 KNN（K-nearest neighbours）是最简单且易于实现和理解的方法之一，它大致完成了您想要完成的工作 - 检查哪些类的对象与某些预定义的对象最接近。

为了更好地了解差异，让我们考虑一下您的情况 - 您正在尝试根据面部特征检测情绪状态。对此类数据运行 k-means 可以将您的人脸照片分成许多组：

如果您使用不同人的照片，它可以将特定人的照片聚集在一起（因为他们与其他人的距离不同）
它可以将数据分为男性和女性，因为这些特征存在性别差异
它甚至可以根据与相机的距离拆分数据，因为视角会改变您的特征，从而创建“集群”。
等

如您所见，有几十种可能的“合理”（甚至更完全不可解释）分裂，而 K-means（和 any）其他聚类算法只会找到其中一个（在大多数情况下 - 不可解释的）。分类方法被用来克服这个问题，以“解释”你所期望的算法。

【讨论】：