自發(fā)和人為表情分析識別研究.pdf

1、近年來，面部表情識別在人機交互、安全、醫(yī)療保健等領域應用廣泛。目前主要通過提取幾何特征和面部紋理特征并利用分類器進行表情識別。而幾何特征的提取關鍵在于面部特征點標注的準確性。目前的自動特征點定位算法的精度仍有待提高。此外，自發(fā)和人為表情區(qū)分和識別研究大都局限于某類表情，如高興或者痛苦。沒有考慮性別和表情類別對自發(fā)和人為表情區(qū)分識別的影響。針對此，本文提出主動特征點標注算法;全面分析不同表情類別和性別下自發(fā)和人為表情的區(qū)別;并將表情類別和

2、性別信息作為特權信息，提出基于特權信息的自發(fā)人為表情識別方法。具體內容如下:
　　(1)提出了交互式的主動特征點標注方法。首先，通過貝葉斯網絡建立特征點之間的空間模型;其次，計算各個特征點與其他特征點之間的互信息，具體分為兩步:第一，為了確定最具有信息的面部區(qū)域，計算其中某一個面部子區(qū)域與余下的面部子區(qū)域之間的互信息，第二:計算最具有信息的面部區(qū)域的某一個特征點與其他特征點的互信息大小，以此確定特征點矯正的順序;然后，按照互信息的

3、大小降序排列特征點，用戶根據這個順序依次糾正特征點;最后，通過貝葉斯網絡將用戶矯正的特征點與原始的特征點值聯(lián)系在一起獲得矯正后所有特征點的值。在CK+數據庫上的模擬實驗證明了本文提出的方法的有效性。
　　(2)較全面地分析了可見圖像的自發(fā)和人為表情的差異性。首先，根據中性幀和夸張幀之間的差值圖像，提取幾何特征和紋理特征;其次，從三個方面通過假設檢驗的方法分析自發(fā)和人為表情的差異性，這三個方面分別是:整體樣本、不同性別的樣本以及不同

4、表情的樣本;最后，采用貝葉斯分類器從同樣的三個方面來區(qū)分自發(fā)和人為表情。在USTC-NVIE數據庫上的統(tǒng)計分析結果顯示幾何和紋理特征對自發(fā)和人為表情區(qū)分的重要性。除此之外，自發(fā)和人為表情識別在性別上確實存在著差異;而且相對于其他五種基本表情，高興的自發(fā)和人為表情區(qū)分更加容易。實驗的識別結果在大多數情況下證實了統(tǒng)計分析的結果。
　　(3)提出采用貝葉斯網絡分別學習自發(fā)和人為表情變化的空間模型，并應用于自發(fā)和人為表情識別。首先，提取關

5、于面部形狀和行動單元變化的幾何特征，用來捕獲面部空間變化;然后，同(2)，從三個方面采用定義的幾何特征對自發(fā)和人為表情進行顯著性差異分析;最后，以表情類別和性別作為特權信息，采用貝葉斯網絡，分別建立自發(fā)和人為表情空間模型。在USTC-NVIE和SPOS數據庫上的統(tǒng)計分析結果證實了提出的幾何特征的有效性。在USTC-NVIE數據庫上的識別結果表明性別和六種基本表情作為特權信息能夠幫助建立自發(fā)和人為表情的空間模態(tài)。在這兩個庫上的識別結果都優(yōu)