236. 智能系统学报 第6卷 测试样本，再次采用RBF神经网络分类器进行表情 参数a、b、c为0.6、0.2、0.2.表4中当r=0.5和0.6 识别实验，其中训练样本选取JAFP数据库中6位 时，EWASM算法的表情识别率最高为75.71%，表5 女性的表情图像共126幅，测试样本在另外4位女 中当r=0.4和0.5时传统ASM的表情识别率最高 性的表情图像样本中选取，共70幅，其中各种表情 为65.71%，由此表明本文提出的EWASM算法具有 的样本数目均为10幅.EWASM算法与传统ASM算 可行性和有效性，但由于本次实验训练样本中的人 法的表情识别结果如表4与表5所示，径向基宽度 与测试样本中的人不同，故表情识别率没有2.3.1 系数r依次为0.1~0.9，其中EWASM算法中加权 中表情实验的识别率高。 表4不同样本下基于EWASM与RBF表情识别结果(a=0.6、b=0.2、c=0.2) Table 4 Expression recognition results based on EWASM and RBF with different samples(a=0.6,6=0.2,c=0.2) 正确识别数目 正确识别率/% 表情 样本 数目 r=0.1 r=0.5 r=0.8r=0.1 r=0.5 r=0.8 类别 r=0.3r=0.4 r=0.6 r=0.7 r=0.3r=0.4 r=0.7 r=0.2 r=0.9r=0.2 r=0.6 r=0.9 生气 10 6 6 7 7 6 6 60.00 60.00 70.00 70.00 60.00 60.00 厌恶 10 80.00 80.00 80.00 80.00 80.00 70.00 恐惧 10 > > > 6 6 70.00 70.00 70.00 70.00 60.00 60.00 高兴 10 6 > 7 > > 60.0070.00 70.00 70.00 70.00 70.00 中性 10 8 & 80.00 80.00 80.00 80.00 80.00 70.00 悲伤 10 5 6 6 6 6 50.00 60.00 60.00 70.00 60.00 60.00 惊讶 10 8 8 8 9 8 8 80.00 80.00 80.00 90.00 80.00 80.00 平均识别率/% 68.5771.4372.86 75.7170.00 67.14 表5不同样本下基于传统ASM与RBF表情识别结果(a=0.6、b=0.2、c=0.2) Table 5 Expression recognition results based on classical ASM and RBF with different samples(a =0.6,b=0.2,c=0.2) 正确识别数目 正确识别率/% 表情样本 类别数目r=0.1 r=0.2r=0.4 =0.6r=0.7 r=0.2r=0.4 r=0.1 r=0.3r=0.5 r=0.8r=0.9 rs0.6s0.7 r=0.9 r=0.3r=0.5 r=0.8 生气 10 5 5 6 6 6 5 50.00 50.0060.00 60.00 60.00 50.00 厌恶 10 7 7 7 7 6 6 70.00 70.00 70.00 70.00 60.00 60.00 恐惧 10 6 6 6 6 6 60.00 60.0060.00 60.00 60.00 60.00 高兴 10 6 6 6 6 6 60.00 60.0060.00 60.00 60.00 60.00 中性 10 > > 70.0080.00 80.0080.00 70.00 70.00 悲伤 10 5 5 6 5 6 5 50.00 50.00 60.00 50.00 60.00 50.00 惊讶 10 6 6 60.00 70.00 70.00 70.00 70.00 60.00 平均识别率/% 60.00 62.86 65.71 64.2962.86 58.57 2.4基于EWASM与RBF的表情识别结果分析 作为神经网络的输入，特征点为40个，相对其他 基于EWASM算法与RBF神经网络分类器的 ASM的方法，特征定点较少、计算量更小、搜索速度 表情识别实验结果表明，最高识别率能达到 更快，但特征点定位的准确性可能降低，因此RBF 80.91%,识别效果受到以下2个方面的影响. 识别率会受到影响， 1)本文表情识别实验是自动搜索表情特征点 2)表情图像中因一些表情变化比较轻微，还有