基于视觉的家庭服务机器人的情感认知研究

论文摘要

在和谐人机交互与人工智能领域,情感计算作为一个新的研究方向,日益受到关注。本文采用计算机视觉的方法,让家庭服务机器人通过对人脸表情的识别来认知人类情感,进而做出相应的反应,使其具有情感认知的功能。首先本文采用AdaBoost算法对人脸以及眼睛、鼻子、嘴巴三种器官进行检测。这种首先由Paul Viola和Michael Jones提出的对象检测方法具有实时、健壮和高准确率的特点。检测人脸用于表情库和待识别图像的采集,而检测其他三种器官用于对人脸图像进行抗旋转的校正。与人脸含有丰富特征相比,眼睛、鼻子、嘴巴等面部器官所含特征较为单一,很难在复杂背景中对其进行有效检测,因此对面部器官的检测是在人脸区域中进行的。接着,本文采用主成分分析的方法对人脸图像进行表情特征的提取,构建表情特征库,用于对待测表情图像的识别。在表情区定位时,本文并未粗糙地将整个人脸区域作为表情区,而是利用人脸几何结构特征对表情区进行了更为精确的定位。本文的创新点和主要贡献是使用Vassilis Athitsos等提出的基于距离哈希对表情特征库进行重构,裁剪表情特征库的规模,提高表情识别的效率。最后,本文采用K近邻算法,对静态图像和从摄像头采集的图像帧进行分类来完成人脸表情的识别。在识别了人脸表情后,家庭服务机器人将采取相应的行动来与人进行合理的交互。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 课题研究的目的和意义
• 1.3 国内外研究现状及分析
• 1.3.1 国外的研究现状
• 1.3.2 国内的研究现状
• 1.4 人脸表情识别综述
• 1.4.1 人脸表情描述方法
• 1.4.2 人脸表情识别方法
• 1.5 论文的研究内容及组织
• 第2章 基于AdaBoost算法的目标检测
• 2.1 图像特征
• 2.1.1 Haar-Like特征
• 2.1.2 Haar-Like特征数
• 2.1.3 Haar-Like特征的快速计算方法
• 2.2 AdaBoost算法
• 2.2.1 AdaBoost算法概述
• 2.2.2 AdaBoost算法的训练过程
• 2.3 Cascade分类器
• 2.3.1 Cascade分类器原理及构造方法
• 2.3.2 级联分类器的误差分析
• 2.4 检测结果与应用
• 2.4.1 AdaBoost算法人脸检测
• 2.4.2 人脸旋转的自动校正
• 2.4.3 人脸表情区精确定位
• 2.5 本章小结
• 第3章 基于PCA的表情特征提取
• 3.1 PCA原理
• 3.1.1 PCA概述
• 3.1.2 PCA基本思想
• 3.2 PCA实现方法
• 3.2.1 PCA的目标问题
• 3.2.2 特征向量法
• 3.2.3 奇异值分解法
• 3.3 基于PCA的表情特征提取
• 3.3.1 使用PCA提取表情特征
• 3.3.2 主成分的选取
• 3.3.3 主成分选取结果
• 3.4 本章小结
• 第4章 基于距离哈希和KNN分类的人脸表情识别
• 4.1 基于距离哈希
• 4.1.1 LSH
• 4.1.2 DBH
• 4.2 基于距离哈希的特征库重构
• 4.2.1 特征库重构
• 4.2.2 使用遗传算法优化k-l
• 4.3 基于KNN分类的人脸表情识别
• 4.3.1 近邻法错误率分析
• 4.3.2 基于DBH的KNN分类
• 4.3.3 Mahalanobis距离
• 4.4 表情特征库重构结果与分析
• 4.5 本章小结
• 第5章 家庭服务机器人情感识别实验
• 5.1 实验系统框架
• 5.1.1 实验模块结构
• 5.1.2 实验软件界面
• 5.2 表情识别结果与分析
• 5.2.1 表情识别准确率和效率
• 5.2.2 表情识别的不足和展望
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢