论文摘要
人脸表情是人际交往过程中不可缺少的重要手段,因为其蕴藏着丰富的人体行为信息。人脸表情识别在人机交互、心理情感分析、安全驾驶、动画和电影的制作等多个领域有广泛的应用前景,能够给人们带来巨大的经济和社会效益。因此近几年来,人脸表情识别技术已经成为当今研究的热点。本文首先介绍了人脸表情识别的应用前景、研究意义和研究现状,以日本的JAFFE人脸表情库作为实验数据,将协同模式识理论与方法应用到人脸表情识别中。与传统的模式识别相比,协同模式识别基于人类的感知机制出发,根据总体特征,从自上而下的进行识别,体现了协同模式识别的优势。本文针对表情图像往往包含一些噪声信息等问题,首先对其进行了几何归一化和直方图均衡化的预处理,然后重点研究了协同模式原型选择算法和协同神经网络的注意参数优化的两个关键技术,并对其进行了相应的改进。在协同模式原型选择算法中,通过分析聚类型学习算法,本文提出一种改进的K-means算法。依据样本点类内距离动态调整中心点类间距离的优化初始聚类中心,由此得到的初始聚类中心点尽可能分散且具代表性,更容易实现类内紧密类间远离的聚类效果,能有效避免K-means算法陷入局部最优。基于该聚类算法的人脸表情原型模式选择方法具有训练学习时间较短,协同识别率较高的特点；为使原型模式具有‘自学习’的能力,本文提出一种基于自适应参数的信息叠加学习算法。该算法的叠加力度参数设置为每次训练后的最高误识别率模式的误识别样本数占总样本数的比率,比起固定叠加力度参数算法,本文的算法不仅能够收敛而且收敛速度更快；在优化协同神经网络注意参数中,本文在修正的决策和设计上,提出了一种改进的奖惩学习修正注意参数的训练算法,通过判断误识别样本率和被误识别样本率来进行决策的,如果最高的误识别样本率高于最高的被误识别样本率,则增加前者对应模式的注意参数,反之则减少后者对应模式的注意参数。使得训练结果更优。利用本文的协同识别算法对人脸表情进行识别,实验结果表明本文方法的分类结果得到了有效的提高。