基于混合特征实时人脸表情识别的研究

论文摘要

人脸表情及手势在人们的交流中有重要的作用,在相关的心理学研究中表明面部表情包含的情感信息超过了人们声音包含的情感信息。计算机实现自动人脸表情识别对自然化人机交互的实现有重要的意义。近年来随着人工智能和人机交互的发展,人脸表情的识别已经成为一个研究的热点问题。人脸表情识别主要通过人脸图像分析处理,对图像中的人脸表情的所属类别做出判断。本文提出混合人脸特征的提取结合支持向量机进行分类的方法进行人脸表情的分类。工作重点有以下几个方面（1）人脸检测。本文分析了基于Haar-Like特征和Adaboost学习算法的人脸检测方法。（2）人脸的表情区域的定位。人脸的表情的信息主要集中在人脸的嘴部和眼部。为了提取有效人脸表情特征删减部分弱特征,本文利用基于灰度积分投影的方法对的人脸嘴部及眼部进行定位。（3）混合特征提取。通过多方向、多频率的Gabor滤波族对人脸眼部及嘴部区域进行滤波处理,得到纹理特征。经过Gabor滤波族处理得到的纹理特征数量较大。为了较少特征的冗余,对得到的纹理特征进行PCA降维得到一个较低维的纹理特征。通过眼部区域跟嘴部区域中竖直像素的灰度变化提取几何特征。将纹理特征与几何特征结合。（4）表情分类。构造决策导向非循环图支持向量机（DDAG-SVM）进行分类,通过人脸表情识别的特点调节分类机中的参数。根据各种表情的识别率调整决策导向循环图支持向量分类机的结构。（5）基于以上研究实现自动人脸表情识别系统,对实验结果进行分析。总结经验与不足,讨论人脸表情识别的研究方向。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的背景和意义
• 1.2 心理与脸部表情的关系
• 1.3 多模式人机交互
• 1.4 论文的研究内容和主要工作
• 1.5 论文结构安排
• 第二章 人脸表情识别研究综述
• 2.1 面部表情的产生
• 2.2 人脸表情识别研究的历史及现状
• 2.3 表情识别的难点与目标
• 2.4 人脸表情数据库简介
• 第三章 人脸表情图像的分析及处理及混合特征提取
• 3.1 人脸检测定位
• 3.2 图像预处理
• 3.2.1 图像尺寸归一化
• 3.2.2 彩色图像转到灰度图像
• 3.2.3 图像灰度均衡化
• 3.2.4 人脸表情图像的平滑滤波
• 3.2.5 灰度图像的二值化
• 3.3 人脸表情特征及提取的常用方法
• 3.3.1 表情特征描述
• 3.3.2 表情特征提取的常用方法
• 3.4 混合特征提取
• 3.4.1 人脸组织定位
• 3.4.1.1 眼部定位
• 3.4.1.2 嘴部定位
• 3.4.2 眼部与嘴部的几何特征提取
• 3.4.2.1 眼部几何特征提取
• 3.4.2.2 嘴部几何特征提取
• 3.4.3 纹理特征提取
• 3.4.3.1 Gabor 变换提取纹理特征
• 3.4.3.2 特征降维
• 3.4.3.3 主成份分析
• 第四章 表情分类
• 4.1 模式识别中分类方法概述
• 4.2 支持向量机
• 4.2.1 软线性可分问题
• 4.2.2 非线性可分问题
• 4.2.3 支持向量机中核函数的选择
• 4.2.4 支持向量机在表情识别中的泛化性能
• 4.3 多类分类的C-支持向量分类机的构造
• 第五章 表情识别系统实现及实验结果分析
• 5.1 表情识别实现简介
• 5.2 表情识别平台架构设计
• 5.2.1 表情识别系统的实现环境
• 5.2.2 系统实现流程与功能
• 5.3 实验结果总体分析
• 5.3.1 不同Gabor 滤波族的选择及实验结果
• 5.3.2 多类分类支持向量机参数选择
• 5.3.3 参数优化的实验结果
• 第六章 总结与展望
• 6.1 论文总结
• 6.2 工作展望
• 参考文献
• 致谢