三維表情識別中的張量表示及分解算法與理論研究.pdf

1、表情是人們日常交流中表達情感的主要方式，隨著互聯網的日益普及和人工智能的不斷發(fā)展，表情識別技術一直備受關注。本文以三維表情為研究對象，結合流形學習方法和張量分解技術，針對基于張量表示的特征提取算法進行了研究。論文的主要工作包括:
　　(1)結合三維曲面的幾何特性，在三維表情數據中不僅提取了傳統(tǒng)中常用的深度圖，還通過局部曲面擬合計算了每個數據點處的法向量和曲率，將它們映射到二維空間后得到了5種特征圖像，以此作為表情的特征描述。實驗結

2、果表明，這些幾何特征能夠有效地改善識別結果。
　　(2)結合張量數據的特點及流形學習方法，提出了基于張量距離的正交張量邊界Fisher分析算法。該算法首先基于張量距離來尋找樣本近鄰，并根據圖保持嵌入準則得到優(yōu)化模型，然后在此目標下求解一組基張量以得到樣本的低維表征。與傳統(tǒng)的歐式距離相比，張量距離更能反映高階數據之間的相似性，它不僅考慮了樣本間對應元素的關系，也充分考慮了樣本自身的空間結構，使得學習到的流形更加接近表情空間的真實流形

3、，有助于識別率的提高。通過實驗發(fā)現，該算法能夠達到較好的識別效果。
　　(3)考慮到表情發(fā)生時臉部肌肉運動的局部性，提出了基于距離加權的正交張量邊界Fisher分析算法，該算法將特征圖像進行了分塊，并結合熵加權的思想給每個子塊賦予不同的權值，通過子塊張量距離的加權和來衡量樣本之間的距離，有利于構建準確反映數據集內在結構的圖模型，提高算法的鑒別能力。實驗結果證明了該算法的有效性。
　　(4)針對本文提出的算法設計了一個三維表情