人脸表情识别的研究与分析

论文摘要

人的面部表情含有丰富的人体行为信息。在人与人的交往中,面部表情是除了声音之外的重要的通信方式。作为信息的载体,表情能够传达很多语音所不能传达的信息。面部表情识别系统是对人脸的表情信息进行特征提取分析,按照人的认知和思维方式加以归类和理解,利用人类所具有的情感信息方面的先验知识,使计算机进行联想、思考及推理,进而从人脸信息中去分析理解人的情绪。一般而言,表情识别系统主要有三个基本组成部分:表情图像的预处理、面部表情特征提取和面部表情识别。本文回顾了人脸表情识别的研究历史和发展现状,讨论了现有的多种表情识别方法,并且从模式识别和统计学习的角度对人脸表情识别进行了研究。首先采用了基于Gabor小波变换和特征点位置相结合的表情特征提取算法,得到人脸表情特征。其次提出了一种基于高斯混合模型(Gaussian Mixture Model, GMM)的人脸表情识别方法,使用Gabor小波变换的特征输入进行分类识别,取得了一定的效果。最后对SVM分类器及GMM分类器的分类性能进行分析和比较,实验证明GMM方法在人脸表情识别中的有效性,但SVM分类方法在分类结果上更好。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 面部表情识别系统的总体结构
• 1.3 人脸表情识别中的难点
• 1.4 本文的主要工作及结构安排
• 第二章 表情识别研究综述
• 2.1 引言
• 2.2 情绪理论研究
• 2.2.1 情绪研究的发展历史
• 2.2.2 情绪与表情的关系
• 2.2.3 表情的分类
• 2.3 人脸表情识别国内外研究情况
• 2.4 人脸表情识别的主要方法
• 2.4.1 基于子空间变换的方法
• 2.4.2 基于机器学习的方法
• 2.4.3 基于模型的方法
• 2.5 本章小结
• 第三章 表情图像数据库及其基准点定位
• 3.1 人脸表情数据库介绍
• 3.2 实验使用表情图像数据库
• 3.3 面部表情的特点
• 3.4 基准点定位
• 第四章 基于GABOR 小波变换的脸部表情特征提取
• 4.1 概述
• 4.2 小波理论与GABOR 变换
• 4.2.1 小波变换与多分辨率分析
• 4.2.2 Gabor 变换
• 4.3 GABOR 滤波族的选择
• 4.4 脸部表情特征提取
• 第五章 基于高斯混合模型的表情识别
• 5.1 引言
• 5.2 基于GMM 的面部表情识别
• 5.2.1 有限混合模型的定义
• 5.2.2 高斯混合模型
• 5.2.3 EM 算法
• 5.2.4 基于GMM 的面部表情识别
• 5.3 基于 SVM 的面部表情识别
• 5.3.1 统计学习理论概述
• 5.3.2 基于SVM 的面部表情识别
• 5.4 实验结果比较及分析
• 第六章 总结及展望
• 6.1 总结
• 6.2 进一步工作
• 攻读硕士学位期间发表的学术论文
• 参考文献
• 致谢