面部表情自动分类的方法与系统研究

论文题目: 面部表情自动分类的方法与系统研究

论文类型: 博士论文

论文专业: 生物医学工程

作者: 章品正

导师: 舒华忠

关键词: 小波分析,神经网络,小波矩,模态分析方法,主分量分析,矩方法,面部表情分类,神经网络树

文献来源: 东南大学

发表年度: 2005

论文摘要: 面部表情在人与人的交流方面传递着丰富的信息,因而可以通过面部表情分析去探究人的情感状态与认知状态方面的内容。面部表情分析可以为社交、教学、谈判、公安检察的刑侦、儿童的性格特征分析以及精神病医学研究提供信息参考与帮助。正因为如此,它具有很高的研究价值。在实际应用方面,它在可视通讯领域以及新的人机交互界面方面具有重要的潜在应用价值。近年来,随着图像分析、计算机视觉以及模式识别等技术的发展,基于计算机科学的自动面部表情分析逐渐发展起来。本文的工作立足于前人在相关领域的研究成果,着力于研究实现面部表情自动分析的关键技术与方法,为将来最终实现自动表情分析系统而努力。本文的主要工作与创新包括以下几点:1.提出了一种结合小波分析与神经网络的人脸检测方法。该方法主要包括两个阶段。在训练阶段首先借鉴图形学中的背景生成方法对AR人脸数据库中的人脸样本进行背景叠加,然后对经过预处理的训练样本进行小波分解并将得到的小波系数输入精心设计的神经网络进行训练。在人脸检测阶段,通过将缩放后的图像的各个区域输入神经网络,由神经网络判断输入区域中是否包含人脸。在得到检测结果后,本文通过基于规则的方法以及基于最小同值分割吸收核方法(SUSAN方法)进行人脸区域验证、取舍与合并,最后通过实验结果的分析比较可以发现本文的方法不仅可以实现人脸区域的快速检测,而且不受光照变化以及噪声的影响。2.提出了一种结合金字塔图像分解方法以及小波矩的面部特征点匹配预测方法。采用小波矩方法可以实现图像区域信息的多尺度表征,而应用图像的金字塔分解表征方式可以实现在图像金字塔结构的各层之间传递信息并最终建立局部处理与全局处理之间的关联。该方法在实际应用中能够较好的实现面部特征点集之间的匹配预测。3.设计了一种基于本征模态的面部形变分析方法。这种方法可以在一种源于特定对象的坐标系下对特定对象的形变进行表征。另外这种新的坐标系提供了一组从整体到局部的用以刻画形变的本征模态。通过选择中间部分的本征模态可以实现较稳定的形变刻画。本文依据两幅图像的特征点集之间的笛卡尔坐标系下的位移,通过正则化方法计算与笛卡尔坐标系下的位移相对应的新坐标系下的位移。然后以新坐标系下的位移的模值构建面部表情特征向量并依据该面部表情特征向量实现表情的自动分类与识别。4.提出了一种二维Tchebichef矩变换的快速算法。通过使用Tchebichef多项式的递推公式,本文推导了一维Tchebichef矩变换的快速算法并将其推广至二维Tchebichef正交矩变换的计算。与以迭代方式计算Tchebichef多项式进而计算二维Tchebichef矩变换的方法相比,本文算法有效地减少了算术运算的次数,从而提高了计算速度。实验结果表明了该方法的有效性。5.设计了一种基于神经网络树的面部表情自动分类方法。神经网络树的整体结构为决策树,通过在决策树的中间结点上嵌入专家神经网络增强了分类特征的能力,从而使得它在分类能力上优于多层感知器和决策树方法。另外,它不仅可以完成复杂的模式识别任务而且在有效特征的发现与验证方面也具有较高的能力。

论文目录:

摘要

ABSTRACT

第一章 绪论

1.1 课题背景与研究意义

1.1.1 课题的背景简介

1.1.2 研究目的与意义

1.2 国内外研究现状

1.3 研究对象与研究思路

1.3.1 分析处理的数据

1.3.2 研究思路

1.4 主要工作与成果

1.5 论文的组织安排

第二章 人脸窗定位

2.1 引言

2.2 小波分解方法与小波特征信息的特点

2.2.1 二维小波分解方法

2.2.2 小波特征信息的特点

2.3 用于人脸窗定位的神经网络设计

2.3.1 神经网络的结构

2.3.2 训练样本的预处理

2.3.3 神经网络训练算法

2.4 人脸窗定位与取舍判断

2.4.1 检测算法与基于规则的验证

2.4.2 基于最小同值分割吸收核方法的角点验证

2.5 检测结果与分析

2.6 本章总结

第三章 面部特征位置的获取

3.1 引言

3.2 模型初始化

3.2.1 Candide面部模型

3.2.2 眼部定位

3.2.3 人脸模型的初始定位

3.3 基于小波矩的特征点匹配方法

3.3.1 金字塔图像分解

3.3.2 小波矩的计算方法

3.3.3 基于金字塔分解的小波矩匹配预测方法及结果

3.4 基于 Snake 模型组的人脸特征定位

3.5 本章总结与说明

第四章 表情特征的抽取与分类

4.1 引言

4.2 基于有限元思想的特征点集形变特征分析

4.2.1 基于本征模态的形变分析方法

4.2.2 实验设计与结果分析

4.3 基于本征空间的表情区域信息分析

4.3.1 建立本征空间

4.3.2 基于本征空间特征的表情自动分类结果与讨论

4.4 基于矩方法的表情区域信息分析

4.4.1 Zernike矩

4.4.2 Pseudo-Zernike矩

4.4.3 Fourier-Mellin矩

4.4.4 Tchebichef矩

4.4.5 Krawtchouk矩

4.4.6 实验结果与分析

4.5 本章讨论

4.6 本章总结

第五章 基于神经网络树的面部表情分类方法研究

5.1 引言

5.2 神经网络树的结构

5.2.1 决策树与信息增益率

5.2.2 专家神经网络

5.3 神经网络树的训练生成方法

5.3.1 中间节点的优化

5.3.2 训练生成神经网络树

5.4 结果分析与讨论

5.4.1 神经网络树的有效性

5.4.2 训练结果的可理解性

5.4.3 面部表情有效特征的发现与验证

5.4.4 神经网络树内部结构的分析

5.5 本章总结

第六章 总结与展望

致谢

参考文献

附录 A 人脸特征的 Candide 编号

附录 B 变分的推导过程

附录 C 特征点间距调整算法

附录 D 质量矩阵与刚度矩阵计算公式推导证明

作者在攻读博士学位期间公开发表的论文

发布时间: 2007-06-11

参考文献

• [1].基于局部纹理特征融合的面部表情识别方法研究[D]. 李栋.吉林大学2014
• [2].人脸造型与面部表情动画技术研究[D]. 邹北骥.湖南大学2001
• [3].基于协同交互的表情识别和情感体验建模方法研究[D]. 徐超.天津大学2010
• [4].基于视觉行为的情感计算研究[D]. 梁景莲.天津大学2016
• [5].基于肌肉运动的人脸表情识别[D]. 刘建征.天津大学2012

相关论文

• [1].人脸表情的识别、重建与合成[D]. 宋明黎.浙江大学2005
• [2].人脸特征抽取与分类器设计若干问题的研究[D]. 谢永华.南京理工大学2006
• [3].表情不变的三维人脸识别研究[D]. 王跃明.浙江大学2007
• [4].基于统计学习的自动人脸识别算法研究[D]. 王先基.中国科学技术大学2007
• [5].人工心理相关技术研究[D]. 杨国亮.北京科技大学2006
• [6].人工心理相关技术研究—面部表情识别与情感建模[D]. 杨国亮.北京科技大学2006
• [7].人脸表情自动提取与跟踪技术研究[D]. 王磊.湖南大学2007

标签：小波分析论文;  神经网络论文;  小波矩论文;  模态分析方法论文;  主分量分析论文;  矩方法论文;  面部表情分类论文;  神经网络树论文;