基于Gabor的人脸表情识别研究

论文摘要

人脸表情识别是情感计算和智能化人机交互的重要组成部分,是涉及图像处理、模式识别、机器学习_、生理学、心理学等多个研究领域的交叉性课题。由于其具有潜在的市场价值和广泛的应用前景,近年来备受学术界的关注。人脸表情识别一般分为图像预处理、表情特征提取和表情分类3个阶段。本文针对这3个阶段存在的关键问题进行研究,并对一些算法进行改进,主要研究工作如下:(1)将Zernike矩人眼检测方法应用到人脸表情识别的图像预处理中。该方法以往只被用于人脸识别,本文将其引入人脸表情识别领域,通过实验证明了该方法能够很好地处理表情图像的偏转情况,并提高了人眼定位精度。(2)提出了一种PCA变换扩散投影(PCATSP)的人眼轮廓提取方法。实验中通过与可变形模板方法相比较,结果表明PCATSP方法在平均形状参数误差及整体优化时间上更能精确地提取人眼轮廓。(3)提出了一种用于特征选择的分块Boost方法,同时,设计了一种结合优化方差率(AVR)的分块Boost特征选择方法。本文采用5尺度、8方向的Gabor滤波器提取表情特征,并针对表情特征向量的高维信息冗余问题,提出了一种分块Boost方法,同时结合AVR对特征区分性进行判断,实验中不仅获取了对分类更有利的特征数据MDGF,而且达到了降维的目的。(4)将表情样本识别结果的先验知识与其估计值进行融和,获得了最终的识别结果。本文采用一对一支持向量机(SVM)进行表情分类,并通过实验找出不同方向、不同尺度的MDGF与表情识别结果的关系,最后将样本识别结果的先验知识与其估计值进行融和,获得最终的识别结果,同时降低了运算代价及提高了分类精度。(5)开发了一个人脸表情识别系统。该系统集成了人脸检测、人眼检测、图像预处理、特征提取和表情分类等功能,为后续表情识别研究工作奠定了良好的基础。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 课题研究背景与意义
• 1.3 国内外研究现状
• 1.4 人脸表情识别概述
• 1.4.1 人脸表情识别系统结构
• 1.4.2 表情图像预处理
• 1.4.3 表情特征提取
• 1.4.4 表情分类
• 1.5 本文研究内容和结构安排
• 第二章 人脸表情图像预处理
• 2.1 引言
• 2.2 人眼检测
• 2.2.1 Zemike矩
• 2.2.2 Zemike矩人眼检测法
• 2.2.3 实验结果及分析
• 2.3 人脸表情图像几何归一化
• 2.3.1 表情图像旋转
• 2.3.2 表情图像裁剪
• 2.3.3 表情图像缩放
• 2.3.4 插值算法
• 2.4 人脸表情图像灰度归一化
• 2.4.1 灰度直方图
• 2.4.2 直方图均衡化光照处理
• 2.5 实验数据预处理结果及分析
• 2.6 本章小结
• 第三章 人脸表情特征提取
• 3.1 引言
• 3.2 人眼轮廓提取
• 3.2.1 PCATSP人眼轮廓提取
• 3.2.2 实验结果及分析
• 3.3 基于Gabor小波变换的人脸表情特征提取
• 3.3.1 Gabor滤波器
• 3.3.2 Gabor小波变换的表情特征提取
• 3.4 结合AVR的分块Boost特征选择
• 3.4.1 Boosting类方法描述
• 3.4.2 结合AVR的分块Boost特征选择
• 3.5 实验结果及分析
• 3.6 本章小结
• 第四章 基于SVM的人脸表情识别
• 4.1 引言
• 4.2 最优分类面
• 4.2.1 线性可分的最优分类面
• 4.2.2 线性不可分的广义最优分类面
• 4.3 SVM的基本原理
• 4.3.1 SVM
• 4.3.2 SVM的核函数
• 4.3.3 SVM的训练算法
• 4.4 SVM多类识别
• 4.4.1 一对多分类器（one-against-all）
• 4.4.2 一对一投票式分类器（one-against-one）
• 4.4.3 决策树分类器
• 4.5 基于SVM的人脸表情识别
• 4.5.1 SVM的训练及测试
• 4.5.2 基于MDGF的SVM分析
• 4.6 实验结果及分析
• 4.7 本章小结
• 第五章 人脸表情识别系统的设计与实现
• 5.1 引言
• 5.2 系统的设计及功能
• 5.2.1 图像预处理
• 5.2.2 表情特征提取
• 5.2.3 表情分类
• 5.3 系统的实现及结果展示
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 未来展望
• 参考文献
• 攻读硕士学位期间公开发表的论文
• 致谢
• 详细摘要