人臉表情識別算法分析與研究.pdf

1、人臉表情識別在醫(yī)學(xué)和民用領(lǐng)域有著廣闊的應(yīng)用前景，是目前的一個非?；钴S的研究領(lǐng)域。人臉面部表情蘊涵著豐富而又細膩的情感和心理信息，面部表情識別主要涉及兩個方面的問題，如何有效地獲取人臉面部表情特征和如何開展表情分類分析研究。 本論文主要研究內(nèi)容與創(chuàng)新性工作包括以下五個方面： 1)全面綜述了人臉表情識別研究的歷史和現(xiàn)狀，闡述了人臉表情識別的三個環(huán)節(jié)相關(guān)問題，即表情識別的特征提取、分類和識別框架。在表情特征提取環(huán)節(jié)，總結(jié)了一些

2、常見的表情特征提取方法；描述了表情圖像預(yù)處理中常用的一些方法；分析了Gabor與Adaboost方法的特征提取基本思路；論述了主動形狀模型與主動外觀模型進行表情特征提取的算法描述；驗證了采用基于流形算法進行臉部特征提取的可實現(xiàn)性。在表情分類環(huán)節(jié)，討論了傳統(tǒng)的兩分類支持向量機可用于表情多分類的解決過程；給出了表情數(shù)據(jù)可以通過聚類分析算法進行先聚類后區(qū)分的思想，以達到最終的表情分類識別；引用了自相似傳播聚類的算法思想，闡述其解決尋找最優(yōu)表情

3、分類中心的一般過程。在表情識別框架環(huán)節(jié)，設(shè)計了表情識別系統(tǒng)的一般流程框架。 2)提出了基于Gabor特征與類間學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的表情識別算法。首先對Gabor小波特征與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的表情識別方法進行了研究與分析，并討論了BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的一般模型，分析了隱層節(jié)點數(shù)選擇的方案、網(wǎng)絡(luò)常用傳遞函數(shù)和如何在實際問題中加以應(yīng)用，同時對神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)過程進行了詳細闡述，為類間神經(jīng)網(wǎng)絡(luò)的具體提出做好鋪墊；然后提出一種類間學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)表情

4、識別算法，該算法給出了如何獲取神經(jīng)網(wǎng)絡(luò)輸入層所需要的特征，如采用Gabor小波變換提取人臉表情的局部特征，且只選擇對表情貢獻最大的特征區(qū)域，建立了類間學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的一般概念，闡述了類間學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)描述，并設(shè)計了類間學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的模型，分析了類間學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，描述了表情識別實現(xiàn)思路；其次，針對局部Gabor特征與神經(jīng)網(wǎng)絡(luò)的表情識別方法進行了相關(guān)的實驗，通過實驗給出了一般表情對之間的距離判距，驗證了通過類內(nèi)期望輸出和類間期望

5、距離來修正網(wǎng)絡(luò)的正確性；最后給出了一組實例樣本進行表情分類識別。 3)提出了基于ICA特征與隱馬爾可夫模型的表情識別算法。 首先介紹了基本的ICA模型，根據(jù)表情圖像的數(shù)據(jù)輸入空間構(gòu)造ICA模型，描述了FastICA算法步驟，分析了FastICA算法求解分離矩陣的過程，采用了滑動子窗口提取訓(xùn)練集特征，得到了人臉表情基向量；然后介紹了粒子群優(yōu)化算法步驟，利用其在數(shù)據(jù)空間搜索最優(yōu)解的優(yōu)良表現(xiàn)，將其引入到表情特征的快速求解上，避

6、免了求解過程中的復(fù)雜計算開銷，并比較分析了優(yōu)化后的ICA與基本ICA進行特征提取所具有的不同表現(xiàn)；其次，介紹了HMM的一般概念，給出了HMM表情識別建模的詳細過程，在確定HMM模型的各個參數(shù)上進行了實驗分析比較，以落實最佳的參數(shù)為識別分類所用，給出了HMM的一般訓(xùn)練過程和基于優(yōu)化后的ICA與HMM算法的表情識別體系；最后，比較分析了相近方法的研究，得出一些影響結(jié)果變化的因素，通過實驗結(jié)果驗證本文所提出思路的正確性。 4)提出了基

7、于活動外觀模型特征與Adaboost的表情識別算法。首先介紹了ASM方法和AAM方法的一般概念；然后針對表情圖像的標記點和輪廓線的構(gòu)成給出了依據(jù)，并比較了ASM和AAM的不同，闡述了利用AAM提取人臉表情特征所具有的優(yōu)勢；其次，給出了Adaboost多分類算法步驟描述，為了能夠?qū)AM獲取的特征點值用于Adaboost多分類，構(gòu)造了一種適合于Adaboost多分類所需要的Harr型特征，并應(yīng)用此特征通過Adaboost分類器進行表情識別

8、；最后，通過實驗對訓(xùn)練集錯誤率等數(shù)據(jù)進行了分析，并針對不同方法之間的性能作出了分析比較。 5)提出了基于流形特征與支持向量聚類的表情識別算法。首先針對目前用于表情識別主要的兩類流形學(xué)習(xí)算法進行了介紹，根據(jù)LPP降維算法提出了一種有效的有約束機制，并在實驗中驗證了這種約束能夠更好地優(yōu)化投影矩陣的選擇；然后給出了一種LCSVC的聚類過程，有效降低了表情類別的聚類邊緣的部分干擾，在SVC聚類過程，采用MFA方法調(diào)整各個SV的權(quán)重；其次