我使用k-means进行面部表情分类的方法是：
- 使用opencv检测图像中的面部
- 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）。将会有5个距离。
- 为每种面部表情计算每个距离的中心点（例如，在距离D1中，每种表情如“高兴、愤怒……”都有7个中心点）。
- 使用5个k-means，每个k-means对应一个距离，每个k-means的结果将是与第一步中计算的中心点最接近的距离所显示的表情。
- 最终的表情将是出现在最多k-means结果中的表情
然而，使用这种方法我的结果是错误的？我的方法是正确的还是哪里出了问题？
回答：
k-means不是一种分类算法。运行后，它只是找到K个元素的中心点，因此它将数据分成K个部分，但在大多数情况下，这与所需的类别无关。这种算法（以及所有聚类方法）应该在你想要探索数据并发现一些可区分的对象时使用。可区分的在任何意义上。如果你的任务是构建一个识别某些给定类别的系统，那么这是一个分类问题，而不是聚类。一种最简单的方法，既容易实现又容易理解的是KNN（K最近邻），它大致上做了你试图完成的事情——检查哪些类别的对象与一些预定义的对象最接近。
为了更好地理解差异，让我们考虑你的情况——你试图根据面部特征检测情感状态。在这种数据上运行k-means可以将你的面部照片分成许多组：
- 如果你使用不同人的照片，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）
- 它可以将数据分为例如男性和女性，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来分割你的数据，因为透视变化会改变你的特征，形成“聚类”。
- 等等。
如你所见，有数十种可能的“合理”的（甚至更多完全无法解释的）分割，k-means（和任何其他聚类算法）只会找到其中一种（在大多数情况下——无法解释的那一种）。分类方法用于克服这个问题，向算法“解释”你所期待的。
