基于AdaBoost与SVM的人脸表情识别研究

论文摘要

人脸表情是人类情感最主要的载体,包含了丰富的心理和情感信息,是最重要的非语言交流方式之一。随着计算机技术的飞速发展和人机交互理论的不断完善,人脸表情识别逐渐成为一个研究热点。人脸表情识别是图像处理、模式识别、心理学等学科的一个交叉课题,是实现计算机人性化、智能化的前提,对分析人类情感也具有重要的意义。本文针对表情识别的基本流程,重点研究了表情识别中的图像预处理、人脸表情特征提取与降维及识别等关键问题,并逐步实现了一个人脸表情识别平台。主要工作如下:1.研究了现有的人脸检测算法,其中重点研究了基于类Haar特征和AdaBoost算法的人脸检测方法,并且利用AdaBoost算法实现了人脸和人眼检测。根据已检测到的人脸图像和左右眼睛坐标,对图像进行几何预处理;并使用直方图均衡化等方法对图像进行灰度预处理,实现人脸表情图像的归一化。2.针对传统的纹理特征提取算法计算复杂度高、速度慢等缺点,本文采用具有多频率、多方向的二维Gabor小波变换进行表情特征提取,通过实验确定合适的二维Gabor变换频率尺度和方向。针对Gabor小波变换后得到的图像维数太高的问题,本文采用2D-2DPCA和AdaBoost相结合的方法进行特征选择,得到所需的表情特征向量。在此基础上,本文采用“one-against-one”方法由多个两类SVM构建多类SVM进行表情分类,使用交叉验证方法获取分类器的最优参数,综合考虑识别性能与实时性能,设计了基于支持向量机理论的表情分类器。3.基于本文对表情识别的研究,开发了自动人脸表情识别平台。通过特定人脸和非特定人脸对系统进行实验测试,不仅验证了本文所采用算法的有效性,还证明了该系统可以作为表情研究和实验的平台,为以后的研究工作奠定了良好的基础。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 人脸表情识别技术的发展及研究现状
• 1.3 人脸表情识别的难点
• 1.4 人脸表情识别系统概述
• 1.4.1 表情特征提取的方法
• 1.4.2 特征降维方法
• 1.4.3 表情分类的方法
• 1.5 人脸表情数据库介绍
• 1.6 论文的研究内容及章节安排
• 第二章 人脸检测及预处理
• 2.1 基于肤色的检测方法
• 2.2 模板匹配人脸检测方法
• 2.3 基于统计模型方法
• 2.4 基于类 Haar 特征与 AdaBoost 的人脸检测方法
• 2.4.1 类 Haar 特征
• 2.4.2 积分图及其快速算法
• 2.4.3 AdaBoost 算法
• 2.4.4 弱分类器定义
• 2.4.5 级联分类器
• 2.5 人脸与人眼检测
• 2.6 检测结果
• 2.7 表情图像预处理
• 2.7.1 彩色图像灰度化
• 2.7.2 表情图像几何归一化
• 2.7.3 直方图均衡化
• 2.7.4 像素值规范化
• 2.8 本章小结
• 第三章 基于二维 Gabor 变换与支持向量机的人脸表情识别
• 3.1 二维Gabor 变换及小波滤波器组构建
• 3.2 结合PCA 和AdaBoost 的表情特征选择
• 3.2.1 PCA 降维原理
• 3.2.2 2DPCA 降维原理
• 3.2.3 双向二维主元分析法（2D-2DPCA）
• 3.2.4 AdaBoost 特征选择
• 3.3 基于SVM 的表情分类
• 3.3.1 支持向量机原理
• 3.3.2 基于one-against-one 方法构建多类分类器
• 3.3.3 参数选择
• 第四章 人脸表情识别平台构建
• 4.1 表情识别平台架构设计
• 4.2 表情识别平台实现
• 第五章 实验结果与分析
• 5.1 Gabor 变换频率和方向选取的影响与分析
• 5.2 传统降维方法与本文算法的比较
• 5.3 不同表情识别率差异分析
• 5.4 非特定人表情识别实验
• 5.5 实验结果总体分析
• 第六章 总结与展望
• 6.1 论文总结
• 6.2 工作展望
• 参考文献
• 攻读硕士学位期间发表的论文及所取得的研究成果
• 致谢