基于選擇性特征提取與多HMMs的人臉表情識別研究.pdf

1、近年來，隨著人們對人機交互興趣的增加，表情識別逐漸成為一個研究熱點。人臉表情識別是指利用計算機分析特定人的臉部表情及變化，進而確定其內(nèi)心情緒或思想活動，實現(xiàn)人機之間更自然更智能化的交互。人臉表情識別的研究對于增強計算機的智能化和人性化，開發(fā)新型人機環(huán)境，以及推動心理學(xué)等學(xué)科的發(fā)展，有著重要的現(xiàn)實意義，并最終產(chǎn)生很大的經(jīng)濟效益和社會效益。 本文首先綜述課題的研究背景，并分析目前國內(nèi)外已提出的主流人臉表情識別方法。在綜合分析了以往的

2、表情識別方法的基礎(chǔ)上，本文提出了基于灰度信息和Harris角點檢測的眼睛特征提取算法，基于選擇性特征提取結(jié)合分類樹的表情識別算法和基于混合特征與多離散HMMs融合的表情識別算法，具體內(nèi)容如下： (1)基于灰度信息和Harris角點檢測的眼睛特征提取算法，該算法首先利用眼睛區(qū)域的灰度信息，提取出瞳孔的位置和大小，然后利用Harris角點檢測算法找到眼角點，最后利用曲線擬合算法擬合出眼睛的輪廓。眼睛特征的提取可作為人臉特征子區(qū)域的分

3、割依據(jù)，同時為主動表觀模型中提取特征提供初始搜索位置。 (2)基于選擇性特征提取結(jié)合分類樹的表情識別算法，由于表情圖像中各個表情區(qū)域?qū)ψR別每類表情的貢獻不同，本文提出基于選擇性的特征提取方法，該方法根據(jù)上一級的粗分類結(jié)果選擇對于區(qū)分某一個子類表情貢獻較大的特征，以此來減少冗余信息的影響，同時也降低了計算量，提高了識別速度。根據(jù)模式識別理論中的聚類思想，在識別階段采用基于分類樹的方法，把整個分類過程分為多級，在每級識別中采用模板匹

4、配和改進的K-近鄰算法，減少了每級中的聚類數(shù)目，提高了正確分類的成功率。 (3)基于混合特征與多離散HMMs融合的人臉表情識別方法，該方法對于眼睛眉毛區(qū)域采用Gabor小波變換提取紋理變化特征，對于嘴巴區(qū)域采用改進的AAM提取形狀變化特征，同時在表情樣本訓(xùn)練時采用貢獻分析法分析確定不同表情區(qū)域特征對六種表情各自的貢獻權(quán)值；在分類識別階段，首先分別采用離散HMMs對每個區(qū)域進行識別，最后采用訓(xùn)練階段得到的權(quán)值進行加權(quán)融合得到識別結(jié)