基于子空間分析的面部表情特征提取算法研究

1、A d i s s e r t a t i o ns u b m i t t e d t oZ h e n g z h o u U n i v e r s i t yF o r t h e d e g r e eo f D o c t o rR e s e a r c h o n F a c i a l E x p r e s s i o nF e a t u r e E x t r a c t i o nA l g o r i t h

2、 mb a s e d o n S u b s p a c e A n a l y s i sB y N i n g Z h e n gS u p e r v i s o r ：P r o f ．L i l lQ iC o m m u n i c a t i o n a n d I n f o r m a t i o n S y s t e m sS c h o o lo f I n f o r m a t i o n E n g i

3、n e e r i n gD e c e m b e r , 2 0 1 6摘要摘要面部表情能夠提供人們情緒的敏感線索，對其的識別作為人機交互的一個關鍵功能受到科研人員的廣泛關注。由于面部表情呈現(xiàn)出的非剛性特點，致使傳統(tǒng)的表情識別方法難以達到令人滿意的效果。子空間分析方法是當前模式識別領域的一個研究熱點，它利用統(tǒng)計分析方法將樣本投影到某個最優(yōu)子空間，以實現(xiàn)數(shù)據降維和特征提取。本文主要針對基于子空間分析的面部表情特征提取算法進行了研究，旨

4、在提取出用于有效表征面部表情的特征進行分類識別，論文的主要貢獻如下：第一，針對基于差準則的特征提取算法無法有效提取鑒別信息的問題，提出廣義多重最大散布差準則( G M M s D ) 及相應的特征提取算法。該算法利用差準則代替熵準則避免了“小樣本’’問題，并且利用Q R 分解能夠提取出更有效的鑒別特征用于面部表情識別，同時也降低了特征提取時的運算復雜度。與傳統(tǒng)特征提取方法相比，G M M S D 具有如下三個特點：( 1 ) 避免了“小

5、樣本”問題，無須對樣本進行預處理步驟；( 2 ) 利用Q R 分解對原始樣本進行特征提取，保留了原始樣本的分布特征：( 3 ) 根據不同的變化矩陣，G M M S D 可以演化成不同的特征提取算法，表明了G M M S D 的廣義性特點。實驗表明G M M S D 能夠有效提取面部表情的鑒別特征，提高面部表情的識別精度。第二，針對訓練集可能添加樣本的情況，提出了增量型廣義散布差準則算法( I G M M S D + ) 。I G M M

6、 S D + 將增量更新的情況分為兩種：添加新樣本到新類別和添加新樣本到存在的類別，分別給出了以上兩種情況下的增量更新算法，避免了實際應用中訓練集更新時重新對整個庫進行訓練的問題。I G M M S D + 算法有以下幾個方面值得強調：( 1 ) I G M M S D + 的性能完全等價于G M M S D + ，即增量更新過程并沒有近似計算過程，而其它增量算法多是近似形式，無法達到原始算法的識別性能；( 2 ) G M M S D