论文部分内容阅读
人脸表情识别技术是涉及模式识别、图像处理、机器视觉、运动跟踪、生理学、心理学等研究领域的一个极富挑战性的交叉学科课题,是近年来模式识别与人工智能领域的一个研究热点;它是情感计算、智能人机交互的重要组成部分,有着广泛的应用前景和潜在的市场价值。本文首先分析了人脸表情识别的研究意义,然后从表情特征形成、表情特征选择与提取、分类器三个方面综述了国内外人脸表情识别的研究方法。本文着重研究了以下几个方面的问题:1、LBP算子对人脸表情特征形成的影响。研究了均匀模式LBP算子和旋转不变LBP算子,重点分析了均匀模式LBP算子不同采样点半径、不同采用点的特性。在JAFFE人脸表情数据库上验证了LBP算子用于人脸表情特征形成的有效性,比较了基于LBP8.1u2、LBP8.2u2两种算子作用于人脸表情特征形成的性能。实验结果表明LBPs8.2u2算子的对于人脸表情特征形成最有效。2、局部直方图统计方法对人脸表情识别的影响。研究了不同方格划分方式在人脸表情特征形成中的性能。根据古人“三庭五眼”的说法提出了3×5的方格划分方式对经LBP算子滤波后的人脸表情图像进行局部直方图统计,并与3×3、4×4、5×3三种方格划分方式进行了比较。实验结果表明前者性能优于后三者。3、基于Adaboost的人脸表情特征选择。研究了用于二分类问题的Adaboost算法,利用其较强的特征选择能力,对该算法稍加改进用于人脸表情特征选择。在JAFFE人脸表情数据库上验证了Adaboost算法在表情特征降维上的有效性并探讨了Adaboost算法选择出不同特征维数对表情识别结果的影响。4、基于Fisher线性判别分析的人脸表情特征提取。研究了Fisher线性判别分析方法,并将其性能与Adaboost算法进行了比较。实验结果表明,Adaboost算法的效果不如Fisher线性判别分析。主要原因可能在于Fisher线性判别分析后的每一个表情是多个原始表情特征的组合,而Adaboost则只具有单纯的特征选择作用。这也间接验证了局部二元模式在特征形成方面的有效性。