人臉表情識(shí)別算法的研究.pdf

1、人臉表情識(shí)別作為人臉檢測(cè)領(lǐng)域的一個(gè)重要組成部分，是人工智能領(lǐng)域的一個(gè)新興的研究課題，涉及到計(jì)算智能、模式識(shí)別、圖像處理，甚至還包括生理學(xué)和心理學(xué)等學(xué)科領(lǐng)域，屬于一種交叉性學(xué)科。表情識(shí)別的研究目標(biāo)是讓計(jì)算機(jī)能夠自動(dòng)識(shí)別出入的表情信息，從而能夠更進(jìn)一步地增強(qiáng)人機(jī)交互的友好性及智能性。同時(shí)，隨著社會(huì)的生活水平不斷提高，人們對(duì)于生活品質(zhì)的安全要求也越來(lái)越高。針對(duì)現(xiàn)實(shí)生活中的很多場(chǎng)景，諸如駕駛監(jiān)控、醫(yī)療監(jiān)護(hù)等，若計(jì)算機(jī)能夠自動(dòng)識(shí)別人臉面部表情，則

2、可大大降低悲慘事件發(fā)生的可能性并對(duì)人類的安全提供有效的保障。所以人臉表情識(shí)別研究具有極高的潛在應(yīng)用價(jià)值和廣闊的應(yīng)用前景。
　　 目前對(duì)于正臉的人臉檢測(cè)技術(shù)已經(jīng)基本成熟，表情識(shí)別作為人臉檢測(cè)技術(shù)的一個(gè)延伸卻處于起步階段，仍然沒有一個(gè)比較成熟的算法。目前已經(jīng)存在的多種表情特征提取算法，總體可以將其歸納成靜態(tài)圖像和圖像序列的表情特征提取算法兩種形式。而經(jīng)典LBP(LocalBinaryPatterns)和LBP_TOP(LocalBi

3、naryPatternsfromThreeOrthogonalPlanes)算法分別作為該兩種形式的常用算法，但是它們的實(shí)時(shí)性及識(shí)別率卻沒有達(dá)到令人滿意的程度。本文以該兩種常用算法為基礎(chǔ)，對(duì)表情區(qū)域選取進(jìn)行了改進(jìn)，在不降低識(shí)別率的前提下，有效地提高了表情特征提取的速度。此外，針對(duì)圖像幾何特征提取，本文提出了基于鏈碼的思想，該方法對(duì)靜態(tài)圖像和圖像序列均可提取較魯棒的幾何特征。將兩種幾何特征分別與改進(jìn)后的LBP和LBP_TOP表情特征進(jìn)行有

4、效融合，大大提高了最終表情識(shí)別的識(shí)別率。實(shí)驗(yàn)數(shù)據(jù)證明了本文所提取的幾何特征具有合理性和有效性。最終本文有效地結(jié)合了靜態(tài)圖像和圖像序列的兩種表情特征，構(gòu)建出人臉表情識(shí)別的實(shí)時(shí)檢測(cè)系統(tǒng)。具體研究?jī)?nèi)容及創(chuàng)新點(diǎn)如下：
　　 (1)對(duì)靜態(tài)人臉圖像或圖像序列進(jìn)行人臉檢測(cè)、特征點(diǎn)定位和面部歸一等圖像預(yù)處理操作，得到本文規(guī)定的標(biāo)準(zhǔn)人臉圖像或圖像序列，為后期特征提取打下必備的基礎(chǔ)。
　　 (2)基于鏈碼思想，對(duì)靜態(tài)圖像的各面部目標(biāo)上的關(guān)鍵

5、特征點(diǎn)進(jìn)行循環(huán)鏈碼編碼，并對(duì)其進(jìn)行有效的順序串接組合及歸一，得到靜態(tài)圖像的幾何特征?；诮?jīng)典的LBP表情特征提取算法，并對(duì)表情區(qū)域選取方面做了部分改進(jìn)，在不降低識(shí)別率的前提下，有效地降低了LBP表情特征的維數(shù)，得到改進(jìn)的LBP表情特征。將靜態(tài)圖像的幾何特征與改進(jìn)的LBP表情特征進(jìn)行有效融和，構(gòu)成本文最終的靜態(tài)圖像表情特征。
　　 (3)針對(duì)圖像序列，本文對(duì)各序列圖像中的對(duì)應(yīng)關(guān)鍵特征點(diǎn)的位置在同一坐標(biāo)系下進(jìn)行統(tǒng)計(jì)，以形成各關(guān)鍵特征

6、點(diǎn)的運(yùn)動(dòng)軌跡，這些運(yùn)動(dòng)軌跡的組合可以描述某人臉表情的形成過程。對(duì)各運(yùn)動(dòng)軌跡進(jìn)行非循環(huán)鏈碼編碼及有序組合歸一，得到圖像序列的幾何特征?；诮?jīng)典的LBP_TOP表情特征提取算法，對(duì)圖像序列進(jìn)行LBP_TOP表情特征提取。將圖像序列的幾何特征與經(jīng)典LBP_TOP表情特征進(jìn)行有效融和，構(gòu)成本文最終的圖像序列表情特征。
　　 (4)采用支持向量機(jī)多分類算法中的“一對(duì)一”分類算法及徑向基核函數(shù)對(duì)表情特征進(jìn)行表情模板訓(xùn)練及表情分類。