人脸表情识别研究_精品文档资料下载.pdf

人脸表情识别研究_精品文档资料下载.pdf

《人脸表情识别研究_精品文档资料下载.pdf》由会员分享，可在线阅读，更多相关《人脸表情识别研究_精品文档资料下载.pdf（57页珍藏版）》请在冰豆网上搜索。

硕士专业：

计算机软件与理论指导教师：

王映辉20070501人脸表情识别研究李文摘要：

在人与人的交往中，面部表情是一种非常重要的信息传递方式，能够传达很多语言所不能传达的信息。

人脸表情识别就是利用计算机对人脸的表情信息进行特征提取并分类的过程，它使得计算机能够根据人的表情信息，推断人的心理状态，从而实现人机之间的智能交互。

一般而言，表情识别系统主要有四个基本部分组成：

表情图像获取、表情图像预处理、表情特征提取和表情分类识别。

本文重点集中在对表情特征提取、表情分类等关键问题的研究上，研究工作可概括为：

（1）概括了人脸表情识别的研究意义和应用前景，回顾了国内外研究现状，对现有的多种表情识别方法进行了综述。

（2）对表情人脸图像进行了预处理。

实验数据采用了日本JAFFE表情库，在进行表情识别时，首先对表情图像进行亚采样预处理来降低图像的维数，并将图像的每个像素灰度值归一化至0，1间，利于特征提取和分类；

最后对表情图像进行直方图均衡化，经过均衡化后图像的细节更加清楚，直方图各灰度等级的分布更加平均。

（3）采用主成分分析方法（PCA）进行特征提取。

在特征提取之后，采用欧氏距离作为模式特征之间的相似性度量，用最近邻分类器进行分类，取得了较好的识别效果，并将核最近邻分类器（KemelNearestNeighbor）应用于表情识别，通过实验得出了核最近邻分类效果优于最近邻分类器的结论。

（4）采用支持向量机（SVM）的分类方法，利用oneagainst-rest组合原理，构建了7个支持向量机并对之进行组合，然后用组合后的SW进行表情识别。

并在此基础上对原有SVM进行了改进，对7个SVM不再共用同一个核参数，而是根据学习样本自适应地估计各个SVM的核参数，识别率由原来94761905提高到了95238095。

（5）对基于最近邻分类器的表情识别方法和基于SVM表情识别方法进行了分析与实验比较。

在要求快速实时分类和分类正确率要求不高的场合，可考虑采用基于最近邻分类器的表情识别；

而在对分类准确率要求较高，但对分类速度不作要求或要求较低场合，可考虑采用基于SVM的表情识别方法。

关键词：

表情识别；

主成分分析；

最近邻分类器；

核；

支持向量机ResearchofHumanFacialExpressionRecognitionLiWenAbstract：

FacialExpressionplaysaveryimportantroleininformationtransmissionwhenpeoplecommtmicatewitlleachotherItsucceedsintransmiRingplentyofinformationpeoplecallnotexpressbylanguagesHumanFacialexpressionrecognitionisaprocessoffeatureextractionandclassification,whichmakesthecomputerdetecttheexpressionstatefromgivenexpressionimagesandascertainthesubjectSspecificemotioninordertoachievesmarterandmorenaturalinter-actionbetweenhumanbeingsandcomputersGenerally，facialrecognitionsystemconsistsofmainlyfourparts，whichareexpressionimageacquisition，expressionimagepreprocessing，expressionfeatureextractionandclassificationThispaperpresentsadetaileddescriptionoftheresearchonthekeyissuesofexpressionfeatureextractionandclassification，andtheresearchworkCanbesummarizedas：

（1）ThesignificanceandapplicationfutureofresearchontheFacialExpressionRecognitionisgeneralizedinthispaperThecurrentdomesticandoverseasstudysituationisreviewedandsomeexistingfacialrecognitionmethodsaresummarized

（2）FacialexpressionimageispreprocessedTheJapaneseJAFFEexpressiondatabaseisusedasexperimentaldata。

Firstly，expressionimagesubsamplingimagepreproeessingisdonetoreducethedimension，andtheimageofeachpixelgrayvaluebelongstoanormalized【0，1】forfeatureextractionandclassificationFinally，theexpressionimagehistogramisequalizedAfterequalizationthedetailsoftheimagegetclearer，andthedistributionofgraylevelsofhistogramgetsevener（3）IntheperiodoffeatureextractionPCAisadopted，andnearestneighborclassifierisusedforclassification,usingEuclideandistanceasthesimilaritymeasurement,andwevegotagoodresultKernelnearestneighborisalsousedforfacialrecognitionandtheexperimentalresultshowthatitisbetterthannearestneighborclassifier（4singSupportVectorMachine（SVM）classificationmethodandone-against-restportfoliotheory，weconstructsevdnsupp6rtvectormachines，andusethecombinationofSVMforexpressionrecognitionWeimprovetheoriginalSVMandaccordingtothestudysampleestimatethenuclearparametersofeachSVMadaptivelywithoutsharingthesamenuclearparametersRecognitionrateimprovedfromIl94761905to95238095（5）ExpressionrecognitionmethodbasedonthenearestneighborandexpressionrecognitionmethodbasedSVMarecomparedEx