本文選題：表情識別　切入點：特征融合　出處：《西安科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：表情識別的研究由來已久,產(chǎn)生了眾多特征提取和分類識別算法,且性能良好,但識別率仍然制約著表情識別的實際應(yīng)用。針對面部表情識別仍然存在的問題,對表情識別中的特征提取和表情分類識別進行了研究,主要內(nèi)容及創(chuàng)新點如下:(1)提出了一種多特征加權(quán)融合(Multi-feature Weight Fusion,MFWF)的特征提取方法。單一特征信息不能準(zhǔn)確描述圖像,影響圖像的識別率的問題。為了用特征信息有效表征圖像,提高圖像識別率,根據(jù)信息融合的理念,將特征加權(quán)融合方法用于表情特征的提取。首先,確定人臉的局部感興趣區(qū)域;其次,采用多種特征提取方法,獲得人臉的多個特征信息;最后,根據(jù)不同面部區(qū)域?qū)Ρ砬榈谋憩F(xiàn)力不同,對不同特征進行加權(quán)處理,并采用串聯(lián)融合的方法,將所提取到的特征連接成一行,作為圖像的最終特征信息。為了驗證MFWF方法的有效性,采用JAFFE數(shù)據(jù)庫作為數(shù)據(jù)源,將融合特征和非融合特征的分類識別結(jié)果作對比。實驗結(jié)果表明:融合特征能夠準(zhǔn)確表征圖像信息,普遍提高了表情的識別率,特別是在LDA、DT和DDA三個分類器中的效果最明顯。(2)提出了一種二次優(yōu)化選擇性(Quadratic Optimization Choice,QOC)集成分類模型,并用于面部表情識別方法。針對單一分類器的缺陷,引入集成學(xué)習(xí)的思想,生成集成分類器模型用于面部表情識別。首先,對于眾多的基分類器,依據(jù)各自的分類識別性能進行從大到小的排序,并按照相應(yīng)的停止準(zhǔn)則確定待集成的基分類器;其次,對于已確定的待集成分類器,按照集成規(guī)則生成集成模型簇;最后,對集成模型簇的性能進行測試,并從大到小進行集成模型的排序,選擇排序首位的集成模型作為最終的集成分類器模型。為了驗證QOC方法的性能,以JAFFE數(shù)據(jù)庫作為測試數(shù)據(jù)集,并采用最大值、最小值和均值集成規(guī)則的集成作為對比模型。實驗結(jié)果表明,相比較于基分類器,集成分類器的分類識別性能顯著提高,且SRM集成模型將悲傷表情的平均識別率從78.89%提高到96%;相對于非選擇集成模型,QOC方法的LFER集成規(guī)則好于其他集成規(guī)則;相對于選擇集成模型,QOC方法中的選擇策略可以有效提高集成模型的識別率。
[Abstract]:The research of facial expression recognition has a long history, and has produced many feature extraction and classification algorithms, and the performance is good, but the recognition rate still restricts the practical application of facial expression recognition. In this paper, feature extraction and facial expression classification recognition in facial expression recognition are studied. The main contents and innovations are as follows: 1) A multi-feature weighted fusion multi-feature Weight fusion (MFWF) method is proposed. In order to use feature information to represent the image effectively and improve the recognition rate, according to the idea of information fusion, the method of feature weighted fusion is used to extract facial features. Determine the region of local interest of the face; secondly, using a variety of feature extraction methods to obtain multiple features of the face information; finally, according to the expression of different facial regions to the expression of different features, weighted processing, In order to verify the validity of the MFWF method, the JAFFE database is used as the data source. The experimental results show that the fusion features can accurately represent the image information and generally improve the recognition rate of facial expressions. Especially in the three classifiers of LDA-DT and DDA, this paper presents a quadratic optimized selective Optimization ChoiceQOC-based ensemble classification model, which is used in facial expression recognition. In view of the shortcomings of the single classifier, the idea of ensemble learning is introduced. An integrated classifier model is generated for facial expression recognition. Firstly, according to their classification performance, the classifier is sorted from large to small, and the basis classifier to be integrated is determined according to the corresponding stopping criteria. Finally, the performance of the ensemble model cluster is tested according to the integration rules, and the integration model is sorted from large to small. In order to verify the performance of the QOC method, the JAFFE database is used as the test data set, and the maximum value is adopted. The experimental results show that compared with the base classifier, the ensemble recognition performance of the ensemble classifier is significantly improved. The average recognition rate of sad expression is increased from 78.89% to 96 by the SRM integration model, and the LFER integration rule is better than other integration rules compared with the non-selective integration model. Compared with the selection strategy in the QOC method, the recognition rate of the integrated model can be improved effectively.
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 張友梅;張偉;;基于數(shù)據(jù)融合的表情識別[J];四川大學(xué)學(xué)報(工程科學(xué)版);2016年06期

2 崔萌;張春雷;;LIBSVM,LIBLINEAR,SVM比較研究[J];數(shù)碼世界;2016年07期

3 師文喜;王德勇;敖乃翔;連禮泉;趙學(xué)義;;三維人臉識別技術(shù)在安防領(lǐng)域的應(yīng)用研究[J];中國公共安全(學(xué)術(shù)版);2016年02期

4 張仲瑜;焦淑紅;;多特征融合的紅外艦船目標(biāo)檢測方法[J];紅外與激光工程;2015年S1期

5 劉迎春;陳梅玲;;流式大數(shù)據(jù)下隨機森林方法及應(yīng)用[J];西北工業(yè)大學(xué)學(xué)報;2015年06期

6 黎遠鵬;黃富榮;董佳;肖遲;冼瑞儀;馬志國;趙靜;;熒光光譜成像技術(shù)結(jié)合主成分分析與Fisher判別快速鑒別肉蓯蓉[J];光譜學(xué)與光譜分析;2015年03期

7 石欣;印愛民;張琦;;基于K最近鄰分類的無線傳感器網(wǎng)絡(luò)定位算法[J];儀器儀表學(xué)報;2014年10期

8 仇國慶;龍毅;劉芙蓉;;基于小波融合的人臉圖像增強方法[J];電視技術(shù);2014年11期

9 H Serdar Kuyuk;Eray Yildirim;Emrah Dogan;Gunduz Horasan;;Clustering Seismic Activities Using Linear and Nonlinear Discriminant Analysis[J];Journal of Earth Science;2014年01期

10 賀金鑫;陳圣波;王陽;吳艷繁;;一種基于樸素貝葉斯分類模型的高光譜礦物精確識別方法[J];光譜學(xué)與光譜分析;2014年02期

相關(guān)博士學(xué)位論文 前1條

1 徐穎;基于特征融合與仿生模式的生物特征識別研究[D];華南理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前3條

1 謝雙;新生兒疼痛表情識別中的特征降維方法研究[D];南京郵電大學(xué);2013年

2 楊麗召;基于多特征融合的行為識別算法研究[D];電子科技大學(xué);2013年

3 田儆;人臉表情識別的研究及在游戲中應(yīng)用的探討[D];太原理工大學(xué);2008年

，

本文編號：1633609