论文部分内容阅读
进入21世纪,伴随着计算机、互联网、通信技术以及其他相关领域的飞速发展,人脸表情识别已经成为一个研究热点。其可以应用于很多领域诸如安全驾驶,远程教育,数字家庭,辅助医疗和游戏娱乐系统,其广泛的应用前景使表情识别的研究具有很高的理论价值和实际意义。人脸表情识别系统主要包括下面几个部分:人脸表情图像的检测和预处理,特征提取,降维以及分类鉴别。人脸表情图像的检测和预处理作为第一部分,主要是为了获取人脸表情图像并且通过预处理使图像更利于我们的识别系统。特征提取则是通过一定的算法或是变换,实现对图像的特征信息进行提取,是整个系统中最核心的部分。而降维则是为了降低在识别过程中的计算复杂度,在保留主要特征信息的基础上,减少表情信息的信息量。分类判别则是识别系统的最后一步,它将特征提取和降维后的特征信息通过特定的分类器进行分类判别,从而达到人脸表情的识别。而本文的重点主要是对特征提取,降维和分类判别几个部分做了相应的研究,具体工作如下:在特征提取中,本文采用的是分数阶傅里叶变换对表情图像进行特征提取,文中首先对一维分数阶傅里叶变换的基本定义和理论做了介绍,并且根据量纲归一化对分数阶傅里叶变换离散化,然后根据一维分数阶傅里叶变换推导了出二维分数阶傅里叶变换及其离散形式,以及性质。利用二维分数阶傅里叶变换对表情图像进行特征提取,并对提取后的幅度和相位信息做了相应的研究。利用PCA和FLDA方法对经过特征提取后的表情信息进行降维处理,之所以采用PCA方法是因为经过PCA降维后保存了数据的主要信息,从而使数据更容易处理,并且具有保能量性、去相关性以及能量重新分配和集中等优点,并且它可以使FLDA中类间散布矩阵非奇异。而采用FLDA方法是因为其能够考虑样本的信息,使类间样本距离最大,类内距离最小,并且能够对表情信息进一步的降维。在分类器的选取上,本文采用模糊融合分类器,首先利用三个单一分类器对表情信息进行分类,从而得出一个置信度矩阵,通过模糊积分对这个置信度矩阵中的置信值和模糊测度进行积分,得出判别结果,从而达到分类识别的效果。并在文中对仿真实验的结果进行了对比分析。