基于整体识别和局部识别融合的人脸表情识别

论文摘要

人脸表情识别是近几十年来才逐渐发展起来的一个科研热点,指利用计算机分析特定人的脸部表情及变化,进而确定其内心情绪或思想活动,实现人机之间更自然更智能化的交互。它在许多领域都有着潜在的应用价值,如自然和谐的人机交互、人工智能、机器视觉、安全驾驶、公共场合安全监控、辨别谎言、电脑游戏等。故而对面部表情进行的分析与识别研究具有重要意义,是人机自然交互深入研究过程中所必须解决的重要课题。本文首先综述人脸表情识别的研究意义和应用以及研究现状,总结归纳目前的人脸表情识别方法,介绍人脸检测和图像预处理中的归一化。本文重点研究以下几个问题:1.研究表情识别中压缩后图像大小对识别率的影响和PCA特征维数对识别率的影响。通过在JAFFE和CED-WYU（1.0）库上实验得到几个有用的结论,一、压缩后图像的大小不一定是越大,识别率就能越高。当压缩后图像的大小达到一定的程度之后,图像大小不再会影响识别率的高低。二、PCA特征维数选取跟选择的分类器有很大的关系。三、压缩后大小不同图像识别率最高时的PCA特征个数基本上相同。四、嘴识别率在PCA特征维数很小的时候就达到最高。这些结论提供一定的参考价值,为后续进行表情识别做了铺垫。2.研究基于Hopfield网调整后人脸表情图像的非特定人表情识别。这种方法是先选取一套做得较好表情作为标准样本,用Hopfield网对这个标准样本进行训练。再把样本库中的全部样本用这个训练好的Hopfield网进行调整,由于Hopfield网具有吸引稳定作用,会使样本库中样本向标准样本中相似的样本靠拢,这样相当于利用它们的相似拉开了各类表情样本的距离,有利于后续的分类。实验结果表明,采用Hopfield网调整后的识别率得到了较大的提高。3.研究基于整体识别和局部识别的融合方法进行表情识别的方法。基于全脸的整体识别和嘴、眼睛、鼻子各局部表情识别的结果,采用多分类器组合规则再进行融合的方法,这样融合了整体识别和局部识别的优点。用PCA+LDA提取特征,分别用线性Bayes（LDC）和k-近邻（KNNC）分类器进行分类取得整体识别和局部识别,再分别用积结合方法融合和Dempster-Shafter多分类器融合两种不同的融合的方法进行融合识别。通过实验,证明这种方法的有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题来源和研究意义以及应用
• 1.2 人脸表情的内容和分类
• 1.3 人脸表情识别的研究现状
• 1.4 人脸表情识别中的难点
• 1.5 论文的内容和结构安排
• 第二章 人脸检测和表情图像的预处理
• 2.1 引言
• 2.2 人脸检测技术
• 2.3 人脸表情图像的归一化
• 2.3.1 几何归一化
• 2.3.2 直方图均衡化
• 2.4 本文中用到的人脸表情数据库简介
• 2.4.1 日本的JAFFE表情数据库
• 2.4.2 CED-WYU（1.0）数据库
• 2.4.3 归一化处理后的图像效果
• 2.5 本章小结
• 第三章 表情图像大小与特征维数选取的研究
• 3.1 前言
• 3.2 PCA算法
• 3.3 图像大小和特征维数研究实验环境
• 3.4 图像大小和特征维数实验及结果分析
• 3.5 本章小结
• 第四章 基于Hopfield网调整后的表情识别
• 4.1 引言
• 4.2 Hopfield网络
• 4.3 Fisher线性判别分类器
• 4.4 基于Hopfield网调整后的表情识别
• 4.4.1 表情识别的流程
• 4.4.2 实验结果及分析
• 4.5 本章小结
• 第五章 基于整体识别和局部识别的融合
• 5.1 引言
• 5.2 信息融合
• 5.2.1 信息融合的基本理论
• 5.2.2 信息融合的层次结构
• 5.3 多分类器组合方法融合
• 5.3.1 积结合方法融合
• 5.3.2 Dempster-Shafter（D-S）多分类器融合
• 5.4 基于整体识别和局部识别融合的表情识别
• 5.4.1 表情融合识别流程
• 5.4.2 表情融合识别实验
• 5.5 本章小结
• 总结与展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢