2

我使用 k-means 对面部表情进行分类的方法是：

  1. 使用opencv检测图像中的人脸
  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）。会有5个距离。在此处输入图像描述
  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“快乐、愤怒……”有 7 个质心）。
  5. 使用 5 个 k-means，每个 k-means 表示一个距离，每个 k-means 作为结果将具有由最接近第一步计算的质心的距离显示的表达式。
  6. 最终表达式将是出现在最多 k-means 结果中的表达式

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？

4

1 回答 1

3

K-means 不是分类算法。运行后，它只是找到 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，应该使用此算法（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识别某些给定类的系统，那么这是一个分类问题，而不是聚类问题。KNN是最简单、易于实现和理解的方法之一（K-nearest neighbours），它大致完成了您想要完成的任务 - 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，让我们考虑您的情况 - 您正在尝试根据面部特征检测情绪状态。在此类数据上运行 k-means 可以将您的面部照片分成许多组：

  • 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（因为他们的距离与其他人不同）
  • 它可以将数据拆分为例如男人和女人，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分割您的数据，因为视角会改变您的特征，从而创建“集群”。
  • 等等

如您所见，有几十种可能的“合理”（甚至更完全不可解释）分裂，K-means（和任何）其他聚类算法只会找到其中一个（在大多数情况下 - 不可解释的分裂）。分类方法用于克服这个问题，以“解释”算法您的期望。

于 2013-09-05T13:27:55.740 回答