基于LDP算法的人脸表情识别研究

VIP免费

3.0 侯斌 2024-11-19 4 4 2.49MB 55 页 15积分

侵权投诉

摘要

人工智能是近来年一个非常热门的研究领域，而要使计算机更加的智能化，

首先就必须使计算机能够理解人类的情感表达，而人脸是人类情感流露的主要生

物特征之一，因此人脸表情识别的研究已经是人工智能领域的热点课题，而且在

人机交互、辅助医疗、安全驾驶等领域也有着非常好的应用前景。

一个完整的人脸表情识别系统一般分为三个模块：表情图像的预处理、表情

图像的特征提取和表情图像的分类。本文主要针对以上 3大模块中的关键问题进

行研究，将重点放在特征提取算法的研究上，主要的工作如下：

(1) 在研究表情图像的预处理阶段，采用 AdaBoost 算法进行人脸检测和人眼

定位。根据眼睛的坐标位置将图像进行旋转，然后根据双眼之间的距离将人脸部

分截取出来，再对截取后的图像进行几何归一化和灰度归一化处理。

(2) 在研究表情图像的特征提取阶段，为了使眉毛、眼睛、嘴巴等能显著反应

脸部表情特征的信息被提取出来，对预处理后的图像进行了分块加权的处理。在

特征提取的算法上，主要采用了基于局部特征的提取方法，重点介绍了 LDP、ELDP

和LDN 三种算法的理论基础，并且在这三种算法研究的基础上提出了 CLDP 算法。

CLDP 算法去掉了与 Kirsch 算子卷积运算后邻域灰度值为负值的因子，对中心灰

度值进行重新编码，由于该编码值是将正值最大值作为图像的边缘输出，使得中

心灰度值能更好的反映邻域的局部特征信息，从而可以提高对表情的分类正确率。

(3) 在研究表情分类识别阶段，主要采用最近邻分类法和支持向量机的分类法，

重点介绍了支持向量机的理论基础，由于 SVM 是两分类的分类器，而人脸表情分

类是多分类问题，因此介绍了两种将普通的 SVM 扩展到多分类问题上的方法：一

对多的最大响应策略和一对一的投票策略，同时也介绍了台湾大学林智仁教授解

决多分类问题开发的 LibSVM 软件包。

(4) 在JAFFE 人脸表情数据库中，分别采用 LDP 和CLDP 算法提取特征，采

用LibSVM 进行分类，然后进行了与人无关和与人有关两组实验，实验结果表明

CLDP 算法提取特征后的图像表情分类的正确率要高于 LDP 算法。

关键词：人脸表情识别人脸检测 AdaBoost 局部特征支持向量机

ABSTRACT

Recently, Artificial Intelligence is a very hot research field, and in order to make

computers more intelligent, we should make them understand human emotional

expression. Face is the mainly biological characteristic of human emotions, so the facial

expression recognition research is a hot topic in the field of artificial intelligence. And it

also has a very good prospect in the human-computer interaction, paramedic, defensive

driving and other fields.

Generally, a complete facial expression recognition system is divided into three

modules: preprocessing, feature extraction and classification. This thesis mainly studies

the key problems in that three modules, and focus on the study of the feature extraction

algorithms. The main works in this thesis are as follows:

(1) At the face image preprocessing stage, the AdaBoost algorithm is applied for

face detection and eyes location. The image is firstly rotated according to the coordinate

of the eyes. Then the face image is cut according to the distance between the eyes.

Finally, the image obtained are conducted by geometry normalization and intensity

normalization.

(2) At the feature extraction stage, in order to extract the characteristics of eyes,

eyebrows, mouth and other significant reaction information, the images are divided into

non-overlapping blocks and each block is assigned with a weight. In the feature

extraction algorithms, a local feature extraction algorithm named CLDP algorithm is

proposed based on the study of LDP, ELDP and LDN algorithms. The CLDP algorithm

encodes the positive directions which are convolved by the Krisch masks. These

directions can fully reflect the information in the field of local features, so it can

improve the classification performance.

(3) At the facial expression classification recognition stage, the nearest neighbor

and support vector machine are applied. The basic theory of SVM is introduced in this

thesis. As SVM is based on two categories classification. And facial expression

classification is a more than two categories classification problem. Two methods

extending SVM are introduced: one-against-all and one-against-one. LibSVM

developed by Lin Zhiren Professor is finally introduced in this part.

(4) Finally, experiments are conducted by LDP and CLDP in the JAFFE face

database. And experimental results shows that CLDP algorithm can get better

recognition performance.

Key Word：face expression recognition, face detection, AdaBoost, local

feature, support vector machine

中文摘要

ABSTRACT

第一章绪论 ........................................................................................................... 1

1.1 课题的研究背景及意义 ................................................................................ 1

1.2 人脸表情识别的研究现状 ............................................................................ 2

1.3 人脸表情库 .................................................................................................... 2

1.4 论文主要工作与结构安排 ............................................................................ 4

第二章人脸表情识别系统 ..................................................................................... 5

2.1 人脸表情识别系统 ...................................................................................... 5

2.2 人脸表情图像的预处理 .............................................................................. 5

2.2.1 人脸检测 ............................................................................................... 5

2.2.2 人脸图像的截取 ................................................................................... 6

2.2.3 尺寸归一化和灰度归一化 ................................................................... 6

2.3 人脸表情图像的特征提取 .......................................................................... 6

2.3.1 特征提取 ............................................................................................... 6

2.3.2 分块加权 ............................................................................................... 7

2.4 人脸表情图像的分类 .................................................................................. 7

2.4.1 最近邻分类法 ....................................................................................... 7

2.4.2 基于支持向量机的分类法 ..................................................................... 7

2.4.3 基于模板匹配的方法 ........................................................................... 7

2.4.4 基于人工神经网络的方法 ................................................................... 7

2.5 本章小结 ...................................................................................................... 8

第三章人脸表情图像的预处理 ............................................................................. 9

3.1 彩色图像的转换 .......................................................................................... 9

3.2 人脸检测 ...................................................................................................... 9

3.2.1 AdaBoost 算法 ....................................................................................... 9

3.3 人眼定位 .................................................................................................... 12

3.4 几何归一化 ................................................................................................ 13

3.4.1 图像的旋转 ......................................................................................... 13

3.4.2 图像的截取 ......................................................................................... 15

3.4.3 图像大小的放缩 ................................................................................. 16

3.4.4 图像的插值算法 ................................................................................. 16

3.5 灰度归一化 ................................................................................................ 18

3.6 本章小结 .................................................................................................... 20

第四章人脸表情图像的特征提取 ....................................................................... 21

4.1 局部特征的提取 ........................................................................................ 21

4.1.1 局部二进制模式 ................................................................................. 21

4.1.2 局部定向模式 ..................................................................................... 22

4.1.3 改进的局部定向模式 ......................................................................... 24

4.2 图像的加权处理 ........................................................................................ 26

4.3 特征降维 .................................................................................................... 28

4.3.1 主成分分析法 ..................................................................................... 28

4.3.2 PCA 的实现 ......................................................................................... 31

4.4 本章小结 .................................................................................................... 32

第五章人脸表情图像的分类 ............................................................................... 33

5.1 最小距离分类 ............................................................................................ 33

5.2 支持向量机 ................................................................................................ 33

5.2.1 线性可分 ............................................................................................. 35

5.2.2 非线性可分 ......................................................................................... 37

5.2.3 核函数的映射 ..................................................................................... 37

5.3 SVM 多类分类器 ....................................................................................... 38

5.3.1 一对多的最大响应策略 ..................................................................... 38

5.3.2 一对一的投票策略 ............................................................................. 40

5.3.3 LibSVM ................................................................................................ 40

5.4 基于 SVM 的表情识别实验 ..................................................................... 41

5.4.1 与人相关 ............................................................................................. 41

5.4.2 与人无关 ............................................................................................. 43

5.5 本章小结 ...................................................................................................... 44

第六章总结与展望 ............................................................................................... 46

6.1 总结 .............................................................................................................. 46

6.2 展望 .............................................................................................................. 46

参考文献 ................................................................................................................. 48

在读期间公开发表的论文和承担科研项目及取得成果 ..................................... 51

致谢 ......................................................................................................................... 52

第一章绪论

1.1 课题研究背景及意义

近年来，随着计算机及其相关领域技术的不断进步和发展，计算机科学技术

带给人们越来越多在学习、工作和生活上的方便和快乐，从而使得人工智能领域

的人机交互(Human-computer Interface, HCI)课题研究越来越成熟，变化也越来越大。

在最近的几十年里，人机交互已经走过了三个时代的发展历程:第一个时代主要依

靠键盘和字符显示器的交互，第二个时代主要依靠鼠标和图形显示器的交互，以

及第三个主要依靠多媒体技术的交互。目前人机交互的研究热点主要在多模态的

人机交互上，主要包括人脸识别，表情识别，手势识别和语音体势识别等。它让

计算机能自己理解认识人们语言动作和表情中所要表达的含义，使得计算机和人

们之间的交流更加的主动和谐。

人脸是人类情感流露最主要的生物特征之一，人脸能够传达出人们所要表达

的各种丰富信息，所以在人类与计算机主动的交流中，人脸占据着非常重要的位

置。人脸表情是在人类非语言交流中传递最多信息的途径之一。丰富的表情是语

言的良好补充，使得人们能够更加完整地向对方传达信息。心理学家 Mehrabin 曾

经提出过一个公式：感情表露=7%的言辞+38%的声音+55%的面部表情[1]，由此可

以得出面部表情在人类情感交流中的重要地位，从而使得人脸表情识别的研究成

为了一个热点课题[2]。

人脸表情识别对于人类来说是一件非常简单的事情，但这对于计算机来说却

是一个相对复杂的过程，要使计算机能够很好地识别人脸表情，它需要结合许多

领域的知识，其中包括图像处理、模式识别、运动跟踪和生物特征识别、心理学

和生理学等领域。美国心理学家 Ekman 和Friesen 在1971 年发表的论文中，首次

定义提出了人类的 6种人脸基本表情：生气、厌恶、害怕、伤心、吃惊和高兴[3]。

这6种基本表情的提出具有重大的意义，它使得后来的绝大多数表情分类器都是

基于这 6种表情作为标准参考的。

随着人脸识别技术的不断发展，人脸表情识别在很多领域有着非常好的发展

憧憬：

(1) 人机交互领域。机器人在现代社会中越来越多的出现，如果使得机器人能

够具有人脸表情识别技术，将使得机器人具有“洞察”能力，使得人类与机器人

之间的交流更加的智能化和趣味化。

(2) 身份识别领域。在身份识别和验证领域中，生物特征识别技术因为其具有

唯一性、可靠性高和不变性等优点，得到了广泛的应用发展，比如说人脸、虹膜、

指纹、掌形等。人脸表情识别技术也具有这些优点，如果将其应用到该领域，或

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要人工智能是近来年一个非常热门的研究领域，而要使计算机更加的智能化，首先就必须使计算机能够理解人类的情感表达，而人脸是人类情感流露的主要生物特征之一，因此人脸表情识别的研究已经是人工智能领域的热点课题，而且在人机交互、辅助医疗、安全驾驶等领域也有着非常好的应用前景。一个完整的人脸表情识别系统一般分为三个模块：表情图像的预处理、表情图像的特征提取和表情图像的分类。本文主要针对以上3大模块中的关键问题进行研究，将重点放在特征提取算法的研究上，主要的工作如下：(1)在研究表情图像的预处理阶段，采用AdaBoost算法进行人脸检测和人眼定位。根据眼睛的坐标位置将图像进行旋转，然后根据双眼之间的距离将...

展开>> 收起<<

基于LDP算法的人脸表情识别研究.pdf

共55页,预览6页

还剩页未读，继续阅读

基于LDP算法的人脸表情识别研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: