基于局部特征分析的人臉表情識(shí)別問(wèn)題研究.pdf

1、隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展，人機(jī)交互技術(shù)日益成為人工智能領(lǐng)域研究的熱點(diǎn)，人與計(jì)算機(jī)之間交流情感的問(wèn)題開(kāi)始受到廣泛關(guān)注。如果計(jì)算機(jī)和機(jī)器人能夠像人類(lèi)那樣具有理解和表達(dá)情感的能力，根據(jù)人所處的環(huán)境、人的心情、愛(ài)好和習(xí)慣等信息主動(dòng)進(jìn)行判斷來(lái)幫助人完成各項(xiàng)任務(wù)，那將從根本上改變?nèi)伺c計(jì)算機(jī)之間的關(guān)系，使計(jì)算機(jī)能夠更好地為人類(lèi)服務(wù)。因此，對(duì)表情識(shí)別技術(shù)進(jìn)行深入研究，讓計(jì)算機(jī)更好地理解和表達(dá)情感，成為社會(huì)發(fā)展的需要。這不但可以促進(jìn)多門(mén)相關(guān)學(xué)科的發(fā)展

2、，而且為其在安全監(jiān)控、視頻交流、醫(yī)療領(lǐng)域、游戲娛樂(lè)等領(lǐng)域的應(yīng)用提供理論支持。
　　 雖然經(jīng)過(guò)多年的發(fā)展，人臉表情識(shí)別技術(shù)已經(jīng)取得了很大的進(jìn)步。但是，總體而言仍屬于探索性質(zhì)的研究，距離模仿人類(lèi)進(jìn)行表情識(shí)別還有一定差距。特別是在計(jì)算機(jī)人臉表情自動(dòng)識(shí)別系統(tǒng)中的表情圖像預(yù)處理問(wèn)題、表情特征提取的本征性問(wèn)題、表情識(shí)別的準(zhǔn)確率和實(shí)時(shí)性問(wèn)題、以及針對(duì)復(fù)雜表情的識(shí)別問(wèn)題上等，還存在著許多的理論問(wèn)題和技術(shù)問(wèn)題需要解決。因此，本文主要基于靜態(tài)圖像針

3、對(duì)人臉表情特征提取問(wèn)題進(jìn)行了研究，提出了相關(guān)人臉檢測(cè)與預(yù)處理、人眼自動(dòng)定位和表情識(shí)別的方法。如通過(guò)對(duì)人臉檢測(cè)和人臉表情圖像預(yù)處理方法進(jìn)行分析，實(shí)現(xiàn)了一種基于膚色檢測(cè)和AdaBoost的人臉檢測(cè)算法，設(shè)計(jì)了表情圖像歸一化的策略；研究了人眼精確定位方法，提出了一種基于區(qū)域投影的人眼定位方法和一種自適應(yīng)比率局部二值模式的描述方法，實(shí)現(xiàn)了眼睛中心的定位；對(duì)于人臉表情識(shí)別問(wèn)題，提出了一種基于特征塊和局部二值模式的表情識(shí)別方法，建立了一種特征分析模

4、型，利用D-S證據(jù)理論對(duì)特征矢量的各個(gè)分量進(jìn)行數(shù)據(jù)融合，并對(duì)融合的結(jié)果進(jìn)行分析和決策。
　　 論文的具體研究工作與成果如下：
　　 (1)針對(duì)人臉檢測(cè)和表情圖像預(yù)處理問(wèn)題，研究了基于膚色檢測(cè)和AdaBoost算法相結(jié)合的人臉檢測(cè)方法。首先采用Haar-Like特征訓(xùn)練分類(lèi)器，然后對(duì)于彩色圖像利用膚色特征進(jìn)行粗檢測(cè)，獲得人臉候選區(qū)域，最后利用AdaBoost方法進(jìn)行精確檢測(cè)。分析了人臉表情圖像進(jìn)行幾何標(biāo)準(zhǔn)化和灰度標(biāo)準(zhǔn)化的方

5、法，從原始圖像中獲得適合于進(jìn)行表情分析的區(qū)域，為后續(xù)將要進(jìn)行的表情特征提取和識(shí)別做好準(zhǔn)備。
　　 (2)對(duì)當(dāng)前的人眼定位方法進(jìn)行了分析，針對(duì)傳統(tǒng)灰度投影方法抗干擾能力較差的弱點(diǎn)，提出了一種基于區(qū)域投影的人眼精確定位方法。該方法考慮到投影過(guò)程中的二維特性，在水平方向和垂直方向?qū)⒀劬D像分成不相重疊的區(qū)域；分別將各區(qū)域內(nèi)的灰度值投影獲得瞳孔的候選區(qū)域，將該區(qū)域進(jìn)行擴(kuò)展獲得瞳孔窗口，并利用灰度特性通過(guò)邊界跟蹤的方法實(shí)現(xiàn)了對(duì)瞳孔中心的精

6、確定位；給出了人眼定位精確度判定準(zhǔn)則，并采用Caltech faces數(shù)據(jù)庫(kù)和JAFFE數(shù)據(jù)庫(kù)進(jìn)行測(cè)試；實(shí)驗(yàn)驗(yàn)證了該方法的有效性，與傳統(tǒng)的投影方法比較，該方法具有較強(qiáng)的魯棒性，人眼定位精度更高。
　　 (3)針對(duì)眼睛區(qū)域灰度特征的分布特點(diǎn)，在分析傳統(tǒng)的局部二值模式原理的基礎(chǔ)上，提出了一種自適應(yīng)比率局部二值模式(Adaptive Ratio Local Binary Pattern，ARLBP)的描述方法。詳細(xì)分析了獲得自適應(yīng)比率

7、的原理及其實(shí)現(xiàn)方法，通過(guò)統(tǒng)計(jì)圖像中直方圖的方式，得到局部二值模式分析中某中心點(diǎn)與其鄰域點(diǎn)像素值的比率；利用人眼粗定位和精定位相結(jié)合的方式實(shí)現(xiàn)了眼睛中心的定位；基于兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該方法簡(jiǎn)單有效，能夠更好地提取人眼、眉毛等區(qū)域的梯度信息，對(duì)圖像中環(huán)境光照的變化不敏感，具有一定的自適應(yīng)能力。
　　 (4)對(duì)于人臉表情識(shí)別問(wèn)題，提出了一種基于特征塊和局部二值模式的表情識(shí)別方法。這種方法采用了一種線性空間分析的框架模

8、式，首先將人臉區(qū)域進(jìn)行分塊，根據(jù)人臉各部位對(duì)表情識(shí)別貢獻(xiàn)的不同，最終提取眼睛區(qū)域和嘴巴區(qū)域用于表情分析；對(duì)獲得的眼睛區(qū)域和嘴巴區(qū)域分別提取LBP特征，將各區(qū)域內(nèi)LBP直方圖依次連接組合成單一的特性直方圖；最后基于PCA分析的方法在線性空間降低特征維數(shù)提高識(shí)別性能。算法的有效性通過(guò)在JAFFE和TFEID表情數(shù)據(jù)庫(kù)上得到了驗(yàn)證，取得了良好的效果。
　　 (5)針對(duì)人臉表情識(shí)別中的特征選擇和多特征融合問(wèn)題，提出了一種基于證據(jù)理論和局

9、部紋理特征描述的方法，建立了一種特征分析模型。該方法首先將表情圖像分割成多個(gè)具有顯著識(shí)別特征的區(qū)域，提取各區(qū)域中的局部二值模式(LBP)作為其紋理特征；然后將各區(qū)域內(nèi)LBP直方圖依次連接組合成單一的特性直方圖，基于卡方距離相似性度量方法進(jìn)行置信度分配，建立一種證據(jù)合成準(zhǔn)則；最后利用D-S證據(jù)理論對(duì)特征矢量的各個(gè)分量進(jìn)行數(shù)據(jù)融合，并對(duì)融合后結(jié)果進(jìn)行決策和判斷；實(shí)驗(yàn)表明該方法可以提高表情識(shí)別的準(zhǔn)確率，改善了表情識(shí)別系統(tǒng)的性能。