论文部分内容阅读
随着人脸识别的盛行,越来越多人开始关注计算机对人脸表情的识别。而这其中人脸检测与特征提取在模式识别领域中占着重要的地位。目前针对表情识别中的人脸检测和特征提取涌现大量经典算法,有基于线性与非线性特征提取算法。其中局部二值模式得到较多的关注与研究。该论文主要的工作核心与方向概括为以下三个方面:针对传统的Adaboost算法只关注分类错误率最小的问题,提出了基于LBP和代价敏感Adaboost相结合的人脸检测方法。在现有Ada Boost基础上,对Adaboost算法加入敏感代价学习模型。首先对人脸图像进行LBP特征提取,然后在训练分类器阶段引入代价敏感学习,对于数据集上的不同类别样本根据错分后造成的代价大小不同来更新样本权值,改进后的算法由关注分类错误率最小转而关注分类代价最小。针对中心对称局部二值模式(CS-LBP)算法在特征提取时水平对称分量会对图像识别带来负面影响的问题,提出了增强中心对称局部二值模式(Enhanced Center-Symmetric Local Binary Pattern,ECS-LBP)和嵌入式隐马尔可夫模型(Embedded Hidden Markov Model,EHMM)相结合的表情识别算法。首先提高图像沿对角方向分量的优先级,然后降低水平分量对图像的负面影响,最后与嵌入式隐马尔可夫模型相结合进行人脸表情识别。通过在CK人脸库和JAFFE人脸库上进行实验,结果表明该算法的表情识别率明显高出其他的局部二值模式算法的识别率。针对Gabor变换5尺度8方向计算复杂度和维数较高问题,提出了基于多方向Gabor特征的增强中心对称二值模式的特征提取算法。对Gabor进行改进并且与ECS-LBP相结合进行特征提取。首先用Gabor提取表情图像5种尺度8个方向的幅值图像,将相同方向不同尺度的幅值图像进行融合,再使用ECS-LBP进行提取特征,在降低维度的同时,保留了表情图像更多的特征信息。