人脸表情识别方法的分析与研究

论文摘要

人脸表情识别（Facial Expression Recognition, FER）是生物特征识别的一个重要分支，也是计算机视觉与模式识别领域非常活跃的研究方向。与其他生物特征相比，人脸特征具有直接、友好、方便的特点。本文主要研究了表情特征提取与降维以及表情分类识别过程中的一些关键技术，仿真验证了小波变换和支持向量机结合的表情识别方法，并使用基于子空间的方法进行二次降维。针对Gabor小波变换后特征空间维数高，计算量大的问题，本文使用2D-PCA、2D-ICA和2D-LDA算法对特征进行降维，有效的利用特征向量信息并提高识别正确率。在进行2D-LDA降维时，为减少计算量，采用了图像分割的办法，并分析分块数目不同对识别率的影响，从而选取一种比较合理的分割方法。通过将三种降维方法与线性核函数支持向量机相结合进行仿真，比较仿真结果，得出使用2D-LDA算法降维得到的表情识别正确率最高、识别效果最好的结论。在支持向量机（SVM）分类器方面，本文通过将几种核函数运用到分类器中，比较它们得到的表情识别正确率，得出径向基核函数用于表情分类识别的分类性能最好的结论。本文利用JAFFE人脸库的样本图像进行仿真实验，通过对三种二次降维方法和不同核函数SVM的分析比较，最后得出Gabor特征和2D-LDA降维与径向基核函数SVM相结合的方法的表情识别正确率最高的结论，证明了该算法框架的可行性和有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究现状及研究趋势
• 1.3 人脸表情识别技术概述
• 1.3.1 人脸表情识别系统的基本框架
• 1.3.2 人脸检测与图像预处理方法
• 1.3.3 现有主要的特征提取方法
• 1.3.4 分类识别方法
• 1.4 主要的表情数据库
• 1.5 本文主要工作及研究内容安排
• 第二章 人脸检测与预处理
• 2.1 人脸检测与定位
• 2.1.1 Harr-Like 特征
• 2.1.2 Adaboost 算法
• 2.1.3 仿真结果
• 2.2 表情图像的预处理
• 2.2.1 旋转
• 2.2.2 人脸区域的裁剪
• 2.2.3 灰度均衡化
• 2.2.4 几何归一化
• 2.3 本章小结
• 第三章 人脸表情特征提取方法
• 3.1 二维主成份分析算法 （2DPCA）
• 3.1.1 主成份分析算法 （PCA）
• 3.1.2 二维主成份分析算法 （2DPCA） 原理
• 3.2 二维独立分量分析方法 （2DICA）
• 3.2.1 独立分量分析算法 （ICA）
• 3.2.2 二维独立分量分析算法（2DICA）原理
• 3.3 二维线性判别分析 （2DLDA）
• 3.3.1 Fisher 线性判别分析方法（LDA）
• 3.3.2 二维线性判别方法 （2DLDA） 原理
• 3.4 二维Gabor 小波变换
• 3.4.1 Gabor 小波变换的背景
• 3.4.2 二维Gabor 小波滤波器
• 3.5 本章小结
• 第四章 基于支持向量机（SVM）的分类识别方法
• 4.1 支持向量机理论
• 4.1.1 原理
• 4.1.2 的主要核函数
• 4.1.4 SVSVM M 参数的选取
• 4.2 用于多类分类的支持向量机
• 4.2.1 二类组合分类
• 4.2.2 三种多分类器的对比分析
• 4.3 本章小结
• 第五章 实验仿真结果与分析比较
• 5.1 基于Gabor 小波变换的特征提取方法
• 5.2 基于Gabor 小波特征和二次降维算法的表情识别方法比较
• 5.2.1 基于Gabor 特征和2D-PCA 降维和表情识别方法仿真
• 5.2.2 基于Gabor 特征和2D-ICA 降维和表情识别方法
• 5.2.3 基于Gabor 特征和2D-LDA 降维和表情识别方法
• 5.3 基于多种核函数的SVM 在表情识别中效果比较
• 5.3.1 SVM 分类器的设计
• 5.3.2 实验仿真结果与分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 值得进一步研究的问题
• 致谢
• 攻读硕士学位期间发表的论文
• 参考文献