人脸表情识别算法的研究及应用

论文摘要

人脸表情识别技术是涉及生物特征识别、模式识别、图像处理、机器视觉、运动跟踪、生理学、心理学等研究领域的一个极富挑战性的交叉课题,是近年来模式识别与人工智能领域的一个研究热点;它是情感计算、智能人机交互的重要组成部分,有着广泛的应用前景和潜在的市场价值。人脸表情识别一般分为人脸检测、特征提取、特征选择和表情分类等环节。本文主要研究了特征提取和表情分类过程中的一些关键问题,研究了一些改进算法,并进行了仿真实验。主要的工作如下:1、表情特征提取系统介绍并复现主动形状模型（Active Shape Model,ASM）,对影响ASM性能的各因素进行实验与分析,针对传统ASM存在的问题研究两个改进算法:（1）针对ASM受初始状态影响的问题,先使用PCDM方法,粗略定位眼睛的位置,根据人脸图像的特点、眼睛在人脸中的几何位置和平均形状基本确定人脸中各个特征的位置。将其作为灰度搜索的初始状态,避免因初始化位置过远引起的搜索速度减慢、搜索精度下降等问题;（2）对构建局部纹理模型的方法进行改进,从ASM的原始思想出发,在获取局部纹理向量时,将法线方向改进为关键点邻域内两相邻标定点连线的垂线方向,从而充分利用标定点之间的联系与特征区域的纹理信息。2、表情分类介绍并实现了人工鱼群算法（Artificial Fish-Swarm Algorithm, AFSA）,对影响AFSA性能的各参数进行实验与分析,针对传统AFSA存在的问题研究了几个改进算法:（1）提出最佳步长算子,避免传统鱼群算法中随机步长行为对收敛速度的影响;（2）鱼群的觅食行为起到了很重要的作用,本文对其进行改进,充分利用前面迭代过程中已经得到的最优信息,从而加快算法的收敛速度;（3）将改进AFSA应用于RBF网络的训练过程,建立相应优化模型。最终应用ASM与RBF网络进行人脸表情识别实验,并与BP网络及传统RBF网络的实验结果进行比较。结果表明,改进算法具有更高的收敛速度与识别率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 表情识别的研究意义
• 1.2 表情识别研究概述
• 1.2.1 表情识别的一般计算模型
• 1.2.2 表情识别研究历史与现状
• 1.2.3 表情识别的难点
• 1.2.4 主要表情数据库介绍
• 1.3 本文的主要研究工作
• 1.3.1 表情特征提取
• 1.3.2 前向神经网络的学习算法
• 1.4 本文的结构安排
• 第二章 表情特征提取算法
• 2.1 主动轮廓模型（ACTIVE CONTOUR MODEL, ACM）
• 2.1.1 Snake 的数学模型
• 2.1.2 Snake 模型的实现与改进
• 2.1.3 Snake 模型的应用
• 2.1.4 Snake 模型的定位结果与讨论
• 2.2 主动形状模型（ACTIVE SHAPE MODEL, ASM）
• 2.2.1 特征点的标定（点分布模型,PDM）
• 2.2.2 相似性变换
• 2.2.3 统计模型的建立
• 2.2.4 基于灰度匹配的搜索算法
• 2.2.5 多分辨率框架（MRASM）
• 2.2.6 计算形状参数
• 2.3 主动表观模型（ACTIVE APPEARANCE MODELS , AAM）
• 2.3.1 统计形状模型的建立
• 2.3.2 统计纹理模型的建立
• 2.3.3 利用主动表观模型进行定位
• 2.4 GABOR 小波变换
• 2.5 光流模型
• 2.6 本章小结
• 第三章 ASM 算法分析与改进
• 3.1 ASM 的实现与性能分析
• 3.1.1 训练样本的获取及预处理
• 3.1.2 统计信息的获得
• 3.1.3 基于灰度匹配的ASM 搜索
• 3.1.4 不同初试位置对ASM 的影响
• 3.1.5 形状参数对ASM 的影响
• 3.2 改进ASM 算法
• 3.2.1 基于点轮廓检测法的表情特征预定位
• 3.2.2 局部纹理模型构建的新方法
• 3.2.3 基于改进ASM 的搜索过程
• 3.3 ASM 算法讨论
• 3.4 本章小结
• 第四章 基于改进人工鱼群算法的RBF 神经网络
• 4.1 人工鱼群算法
• 4.1.1 算法简介
• 4.1.2 人工鱼行为描述
• 4.2 各参数对收敛性能的影响
• 4.3 改进的人工鱼群算法
• 4.3.1 最佳步长
• 4.3.2 改进的觅食行为
• 4.4 实验结果与分析
• 4.5 基于改进人工鱼群算法的RBF 网络学习过程
• 4.5.1 RBF 神经网络
• 4.5.2 算法结构及行为描述
• 4.5.3 RBF 网络的训练
• 4.5.4 实验结果与分析
• 4.6 本章小结
• 第五章 基于改进ASM 与RBF 网络的人脸表情识别
• 5.1 面部动作编码系统（FACIAL ACTION CODING SYSTEM,FACS）
• 5.1.1 FACS 介绍
• 5.1.2 运动单元的计算
• 5.2 基于改进ASM 与RBF 网络的人脸表情识别
• 5.3 实验结果分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间完成的论文