人臉表情識別系統(tǒng)中的分類方法研究.pdf

1、本文對人臉表情識別系統(tǒng)中的分類模塊進行了研究。實現(xiàn)了基于靜態(tài)圖像和視頻序列場景中的人臉表情識別算法。通過對特征數(shù)據(jù)的處理分析，訓練得出每個人臉肌肉運動單元(Action Unit，AU)的分類器，根據(jù)運動單元的分析結果，結合表情事件集的預定義，最終得出表情分類結果。該系統(tǒng)將運動單元的分類和解釋模塊分開，使得其應用范圍更為廣泛，對于場景的變化要求能夠靈活便捷的滿足。
　　 本文首先介紹了人臉表情識別系統(tǒng)的應用背景和研究現(xiàn)狀。接著介

2、紹了幾種常見的分類方法并指出了各自的優(yōu)缺點，從統(tǒng)計學習理論的角度引出了本文運動單元分類模塊所選用的分類算法——支持向量機(Support Vector Machine，SVM)算法。結合SVM算法的理論介紹，詳細闡述了該算法在AU分類模塊中的相關應用。通過對數(shù)據(jù)進行相關性分析，利用主成分分析算法進行數(shù)據(jù)降維，從而減輕計算壓力。同時，數(shù)據(jù)的歸一化處理消除了奇異樣本對分類結果的不利影響。SVM分類器的核函數(shù)選擇部分，我們給出了傳統(tǒng)的徑向基核

3、函數(shù)以及線性核函數(shù)結合徑向基核函數(shù)兩種不同的核函數(shù)選擇方式所對應的F1分數(shù)，后者在時間性能上具有較大的優(yōu)勢。最后，我們給出了AU到表情事件集的映射關系，結合概率模型，構成AU解釋模塊。經(jīng)過系統(tǒng)綜合測試，AU的識別率能夠達到目前該領域較好的水平，我們將測試結果與FERA(Facial ExpressionRecognition and Analysis)大賽提供的參考方案的結果進行了比較分析，從平均意義上看，無論是在精確度、F1分數(shù)還是在