基于HCBP及特征選擇AdaBoost的人臉表情識別研究.pdf

1、人臉表情識別是計算機(jī)科學(xué)的熱點(diǎn)領(lǐng)域，作為一門交叉學(xué)科，人臉表情識別的進(jìn)步將直接影響到心理學(xué)、人工智能、數(shù)據(jù)挖掘、生命科學(xué)等多門學(xué)科的發(fā)展。隨著科學(xué)的進(jìn)步，它在研究、醫(yī)療、商業(yè)等領(lǐng)域的作用將會給人類的生活帶來巨大的影響。目前有關(guān)人臉表情識別的研究還處于理論階段，尤其在特征提取和表情分類方面還有許多地方需要改進(jìn)才能適應(yīng)實際應(yīng)用。
　　本文從特征提取和分類兩個方面入手，歸納總結(jié)了當(dāng)前人臉表情識別的相關(guān)方法。在特征提取和分類上，分別以紋理

2、特征和分類器集成為研究重點(diǎn)，針對LBP(Local Binary Pattern)和AdaBoost的不足分別提出了改進(jìn)方法。本文的主要工作如下:
　　(1)針對特征的提取，提出了直方圖加權(quán)HCBP(Haar-like Centralized BinaryPattern)的特征提取算法。CBP(Centralized Binary Pattern)是LBP的改進(jìn)算法，克服了LBP在維數(shù)和特征描述方面的缺點(diǎn)，但與LBP相同，CBP也

3、是采用像素點(diǎn)間的直接操作，在對像素變化的表達(dá)上存在不足。Haar-like是一種對像素區(qū)域操作的特征，能夠有效反映像素的變化，本文將Haar-like特征與CBP相結(jié)合，并對圖像分塊，利用信息熵加權(quán)，區(qū)別不同人臉區(qū)域?qū)Ρ砬榈呢暙I(xiàn)程度，提高了特征的表征能力。
　　(2)針對特征的分類，對傳統(tǒng)AdaBoost做了改進(jìn)，提出了基于特征選擇的Adaboost分類器集成算法。傳統(tǒng)AdaBoost用于二分類，本文對Adaboost的權(quán)值選擇進(jìn)

4、行了改進(jìn)，以適應(yīng)多分類要求;在AdaBoost每輪迭代中利用PCA(PrimaryComponent Analysis)進(jìn)行特征選擇與排序，生成不同的隨機(jī)子空間，克服了AdaBoost基分類器差異性隨迭代次數(shù)增加而降低的缺點(diǎn)，同時降低了特征的維數(shù);修改了投票方式，依據(jù)不同基分類器對每種表情的識別效果，給基分類器動態(tài)加權(quán)，增強(qiáng)了AdaBoost基分類器集成的效果。
　　通過實驗證明，本文算法在識別效果和時間效率上，都取得了較好的效果