基于Gabor特征和Adaboost算法的人脸表情识别研究

论文摘要

表情是人类表达情绪的基本方式之一,面部表情在人们交流中有着重要的作用,它不仅可以准确表达人类的思想感情,而且也可以通过面部表情来了解对方的态度和内心世界。自动表情识别是计算机理解人类情感的前提,在现实生活中有着无限的潜力,例如人机交互、情感计算、心理学研究、谎言辨别,临床医学等。正是由于这种特殊的作用,所以人们对表情自动识别进行了大量的研究。近20年来,人脸表情识别的方法有了非常显著的进步。但是由于人脸表情识别涉及图像处理、心理学、计算机视觉、人工智能等多个学科交叉,正是由于这种多学科交叉的复杂性和特殊性,使得表情识别比较困难,当前人们仍面临着许多亟待解决的问题。本文着眼于表情识别的准确性,在几个关键问题上进行了探索性的研究,本文的主要内容包括以下几个方面:首先,对Adaboost算法进行了研究。主要研究了如何利用Adaboost算法进行多类分类的问题。Adaboost算法可以将一系列的弱分类器组合,生成一个强分类器,而对于表情识别这个多类分类的问题,文中采取1:1办法来解决,把生成的k（k-1）/2（k为总类别数）个强分类器进行级联,从而可以完成人脸表情的多类识别。其次,分析和比较了多种分类器。分析了最近邻法和决策树的原理,针对不同分类器的特点,将它们进行比较。针对人脸表情识别问题,分别使用这两种分类器作为Adaboost算法的弱分类器进行识别,比较了它们的性能。然后研究了表情特征提取的算法,对Gabor滤波器的原理进行了深入的分析和研究,并对Gabor特征的参数确定进行了分析和对比,从而获取最适合本系统的Gabor特征参数。最后将Adaboost算法,决策树分类器,Gabor特征结合,进行人脸表情识别研究,并使用JAFFE人脸表情数据库,以及Yale数据库中的表情图像进行测试。并对本文工作进行了阶段性的总结,也明确了下一步工作的方向和目标。本论文所提出的基于Gabor特征和Adaboost算法的人脸表情识别方法,可以有效的解决多类分类的问题,实验结果也表明了该算法可以提高识别的准确率,获得较好的识别效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.3 人脸表情识别方法综述
• 1.3.1 表情特征提取方法
• 1.3.2 表情分类的主要方法
• 1.4 本文实验所用数据库
• 1.5 本文内容安排
• 第2章 人脸表情的特征获取
• 2.1 图像预处理
• 2.2 Gabor 特征提取
• 2.2.1 二维Gabor 小波变换
• 2.2.2 Gabor 小波的参数选取
• 2.2.3 Gabor 特征提取
• 2.4 本章小结
• 第3章 Adaboost 算法原理
• 3.1 重采样技术介绍
• 3.2 bagging 算法和boosting 算法简述
• 3.2.1 bagging 算法
• 3.2.2 boosting 算法
• 3.3 Adaboost 方法
• 3.3.1 Adaboost 算法概要
• 3.3.2 Adaboost 算法基本原理
• 3.4 Adaboost 算法性能和误差分析
• 3.5 Adaboost 多类分类算法
• 3.5.1 一种多类分类方法
• 3.5.2 另一种多类分类策略
• 3.6 本章小结
• 第4章 人脸表情分类器分析
• 4.1 最近邻法
• 4.1.1 最近邻法决策规则
• 4.1.2 最近邻法与Adaboost
• 4.2 决策树分类器
• 4.2.1 决策树分类原理介绍
• 4.2.2 决策树算法设计
• 4.2.3 决策树分类器与Adaboost 结合
• 4.3 本章小结
• 第5章 实验分析
• 5.1 Adaboost 算法的分类策略对比
• 5.2 对Adaboost 迭代次数的分析
• 5.3 与其他相似方法的对比
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 本文研究内容总结
• 6.2 展望
• 参考文献
• 致谢
• 附录A 攻读学位期间的研究成果