论文部分内容阅读
人脸表情识别是情感计算与先进智能的重要组成部分,同时也是人机交互、机器学习、智能控制和图像处理等领域的一个研究热点。为了促进更自然、更人性化的人机交互,对表情识别的深入研究变得更为重要。近些年来,人脸表情识别仍存在一些问题,特别是如何提取出实时性高、鲁棒性强以及稳定具有代表性的表情特征。本论文对面部表情的纹理特征与几何特征进行了分析与研究,并针对传统几何特征提取方法的不足,传统Gabor特征在人脸表情识别上的局限性以及不同特征在不同环境下的优缺点,提出了相关的改进算法。论文的主要工作如下：(1)针对传统几何特征提取方法的不足,提出一种基于几何特征联合的人脸表情识别方法。首先通过主动外观模型(Active Appearance Model, AAM)对人脸表情图像进行关键特征点定位；然后提取直接几何(Direct Geometric, DG)特征与间接几何(Indirect Geometric, IDG)特征；再通过Fisher线性鉴别(Fisher Linear Discriminant,FLD)对DG特征进行降维并与IDG特征进行联合,从而构成了联合几何特征。最后采用支持向量机(Support Vector Machine, SVM)对联合几何特征进行人脸表情分类。实验结果表明了,联合几何特征比传统几何特征具有更高的识别率,并在少许光照变化以及姿态偏转下具有一定的鲁棒性。(2)针对传统Gabor特征在人脸表情识别上的局限性,提出一种基于梯度Gabor直方图(Gradient Gabor Histogram, GGH)纹理特征的人脸表情识别方法。首先对预处理后的人脸图像进行Gabor特征提取；然后将相同尺度、不同方向的Gabor特征按照梯度方向构造Gabor特征融合图,再对融合图进行分块并计算每个子块的直方图分布,从而构成人脸的GGH特征。最后采用SVM对GGH特征进行人脸表情分类。实验结果表明了,在保证较高识别率时,利用GGH特征比传统Gabor特征进行人脸表情识别更具实时性。(3)提出了一种基于纹理和几何特征的人脸表情识别方法。首先通过AAM对人脸表情进行关键特征点定位,提取DG特征与IDG特征,并用FLD对DG特征降维；然后构造Gabor特征融合图,提取GGH纹理特征；再通过SVM分别对三组局部特征进行分类,得到三个独立的识别结果。最后,将这三个独立的识别结果进行加权决策级融合,获得最终的表情分类结果。实验结果表明了,该方法能够充分地利用面部表情的纹理与几何特征,提高了识别率与可靠性。