论文部分内容阅读
人脸表情识别在军用和民用领域有着广阔的应用前景,是目前的一个非常活跃的研究领域,其目的是让计算机等机器能够自动辨认出人脸表情。由于人脸表情的复杂和微妙等特性,因此会使得人脸表情识别任务变得十分艰巨和挑战性。近年来,研究者们利用典型相关分析方法在人脸表情识别中取得了较好的识别效果,但是该方法的应用通常会出现计算较为复杂、易导致小样本问题与当输入变量个数较大时会出现不稳定的情况,因此本文在深入研究了研究者是如何解决相似的问题后,提出了一些改进的方法和措施。本文的主要工作具体内容如下: 1.传统的典型相关分析在求解过程中只适用于协方差矩阵非奇异的情况,因此在一般情况下,当传统的典型相关分析方法应用于人脸表情识别时,由于训练样本数量小于样本维数的大小,便会造成协方差矩阵不可逆,因此会产生奇异的协方差矩阵,从而造成了小样本问题。与此同时典型相关分析作为一种全局线性投影方法,不能很好的描述非线性的人脸表情识别问题。因此本文提出了一种基于分块二维典型相关分析的人脸表情识别方法。利用二维典型相关分析的方法一方面可以降低计算复杂度从而降低运行时间,另一方面可以有效缓解小样本问题,同时分块的方法能更好的描述非线性的人脸表情识别问题。本文通过在JAFFE数据库中的实验验证了本文方法的有效性。 2.传统的典型相关分析当输入变量中存在较多的噪声时便不能给出一个准确的模型,与此同时当输入变量个数较大或者输入变量之间的关系过于复杂的时候,其计算的复杂度将会迅速增加并且很容易产生过拟合(overfitting)的现象,从而导致结果不稳定。为了解决这个问题本文应用稀疏典型相关分析的方法,稀疏典型相关分析通过使基向量中的某些系数收敛为零,从而去掉了一些对表情识别没有用处的变量。但是由于在稀疏典型相关分析求解的过程中,稀疏权值的选择是固定值,因此会产生一些误差,所以本文提出了一种利用自适应权值的方法来降低在求解稀疏典型向量时产生的误差,本文通过JAFFE和Cohn-Kanade数据库上的实验结果证实了上述方法的正确性。