论文部分内容阅读
在科技飞速发展的今天,面部表情识别作为一个非常有挑战性的交叉课题,涉及图像处理、模式识别、人工智能和情感计算等众多学科的知识和理论。对表情识别领域的研究可以推动计算机向智能化和人性化方向更好地发展,具有非常重要的现实意义,也将会产生可观的社会经济效益,市场前景十分广阔。论文针对表情特征提取及分类的一系列算法进行了深入研究,提出基于二维Gabor小波变换与支持向量机相结合的表情识别改进算法,解决了特征区域定位、特征向量提取与分类器设计等关键问题,并以JAFFE数据库的表情图像为研究对象,通过一系列实验验证其有效性和可行性。论文的具体工作和主要贡献如下:(1)预处理。为了有效消除包括噪声在内的与表情识别无关的干扰因素,需要首先对原始图像进行预处理。论文提出一种新的融合算法能够进行快速准确的人眼定位;然后利用直方图均衡化对表情图像进行光照补偿;再根据双眼坐标点的连线与水平轴的夹角,进行旋转、裁剪及缩放的几何归一化处理。(2)基于2DGabor小波变换的表情特征提取。面部表情识别的核心在于表情特征提取。计算机识别面部表情之所以困难,是因为人脸是一个柔性体,对它进行精确建模的难度很高。面部器官的位置稍有变动,表情就会发生相应变化,如何选择特征就成为决定识别精度的关键。论文着眼于特征提取算法的重要性,进行了详细的分析,最终选取能够最大限度地屏蔽光照条件与个体特征差异影响的2DGabor小波变换作为特征提取的方法。(3)表情特征降维。虽然2DGabor小波提取到的特征能有效地描述面部表情特征,但这些特征在相邻像素间仍存在高度相关和信息冗余的问题,不利于最佳分类。因此论文结合局部特征选择法和网格粒度算法,提出一种改进算法以达到进一步提高识别率的目的。(4)基于SVM的表情分类。支持向量机是目前主流的机器学习算法,自诞生之日起就赢得了众多研究人员的青睐,故此论文也将其引入面部表情识别中来解决这一非线性模式下的小样本问题,提出一种改进的决策树多分类器模型实现了SVM在非二类情况下的多维表情分类,将求解最终转化为二次规划问题,利用SVM分类器良好的核泛化性能优势,可以顺利实现高识别率的表情分类。总之,鉴于2DGabor小波变换能够有效提取静态图像的表情特征以及SVM所表现出来的强大分类能力,算法最终在JAFFE数据库上的平均识别率达到了95%以上,获得了预期理想效果。