本文關鍵詞：基于特征分類器優(yōu)化匹配和DBN決策的人臉表情識別，，由筆耕文化傳播整理發(fā)布。

【摘要】：作為人類情感最直觀的表達方式,人臉表情及其相關的研究工作已經在醫(yī)療、商業(yè)以及家庭生活等領域產生了深遠的影響。本文對人臉表情系統(tǒng)中的特征提取和分類識別進行了分析研究,對傳統(tǒng)主成分分析(Principal Component Analysis.PCA)算法進行了改進,提出了特征空間維數更低的特征提取方式；并根據特征表征人臉的互補性和分類效果的差異性,提出了多特征-分類器優(yōu)化匹配的識別方法：最后基于建立的動態(tài)貝葉斯網絡(Dynamic Bayesian Network, DBN)對粗分類結果有分歧的表情圖像進一步決策。本文的主要工作如下：(1)針對PCA降維過程中,由于特征值相對集中而造成維數仍然偏高的不足,本文提出了基于最優(yōu)樣本的主成分分析(Optimal Sample-PC A, OS-PC A)降維方法。OS-PCA通過選擇訓練樣本、優(yōu)化協方差矩陣,從而達到進一步降維的目的。鑒于離散余弦變換(Discrete Cosine Transform, DCT)對光照的魯棒性,以及局部二值模式(Local Binary Patterns, LBP)對局部紋理特征的有效描述,本文結合DCT和LBP特征來彌補單一OS-PCA特征在人臉表情表征方面的局限性。為了更好地發(fā)揮特征與分類器的協作優(yōu)勢,本文構造了一個三層多分類器最優(yōu)匹配(Optimal Matching, OM)的人臉表情識別模型。首先將OS-PCA、DCT和LBP特征輸入模型；然后完成多特征與多分類器的最優(yōu)匹配；最后執(zhí)行粗分類結果投票表決,并對仍有分歧的表情圖像進行自適應決策,從而得到最終識別結果。(2)針對融合決策時間復雜度過高的問題,本文提出多特征多分類器匹配及動態(tài)貝葉斯網絡決策的人臉表情識別模型。首先基于訓練庫,模型完成了多個特征與多個分類器的優(yōu)化匹配及每個特征-分類器組合混淆矩陣的初始化。然后,將測試樣本的OS-PCA、DCT和LBP特征送入模型,得到三個粗分類結果。最后,利用得到的經驗信息和建立的動態(tài)貝葉斯網絡,對仍有分歧的表情圖像進行融合決策,并且更新混淆矩陣。實驗結果表明,在決策的識別率和時間復雜度方面,基于DBN的決策方法對人臉表情的識別具有更高的可靠性。
【關鍵詞】：人臉表情識別 特征-分類器最優(yōu)匹配 自適應決策 動態(tài)貝葉斯網絡
【學位授予單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 致謝7-8
• 摘要8-9
• ABSTRACT9-15
• 第一章 緒論15-22
• 1.1 人臉表情識別研究背景及意義15-16
• 1.2 人臉表情識別國內外研究現狀16-18
• 1.2.1 表情特征提取的研究現狀16-17
• 1.2.2 人臉表情分類方法的研究現狀17-18
• 1.2.3 國內外人臉表情研究成果18
• 1.3 人臉表情數據庫18-20
• 1.3.1 JAFFE表情數據庫18-19
• 1.3.2 CAS-PEAL表情數據庫19
• 1.3.3 Pain表情數據庫19
• 1.3.4 CK(Cohn-Kanada,CK)表情數據庫19-20
• 1.4 本文的研究內容與結構20-22
• 第二章 人臉表情識別概述22-32
• 2.1 人臉表情識別系統(tǒng)工作流程22
• 2.2 圖像預處理22-27
• 2.2.1 直方圖均衡化22-23
• 2.2.2 圖像的幾何變換23-24
• 2.2.3 濾波去噪24-26
• 2.2.4 人臉檢測26-27
• 2.4 特征提取與分類識別的改進27-31
• 2.5 總結31-32
• 第三章 多特征多分類器優(yōu)化匹配的人臉表情識別32-45
• 3.1 引言32-33
• 3.2 特征的提取33-36
• 3.2.1 OS-PCA33-34
• 3.2.2 DCT特征34-35
• 3.2.3 LBP特征35-36
• 3.3 模型的構造36-39
• 3.3.1 基分類器介紹36-37
• 3.3.2 模型的思想37-39
• 3.4 實驗設計與結果分析39-43
• 3.4.1 實驗設計39-40
• 3.4.2 實驗結果及分析40-43
• 3.5 總結43-45
• 第四章 多特征融合及動態(tài)貝葉斯網絡的人臉表情識別45-55
• 4.1 引言45-46
• 4.2 基于動態(tài)貝葉斯的融合46-48
• 4.2.1 貝葉斯網絡介紹46
• 4.2.2 動態(tài)貝葉斯網絡的人臉表情識別建模46-48
• 4.3 構造模型48-49
• 4.3.1 訓練過程48
• 4.3.2 測試過程48-49
• 4.4 實驗設計與分析49-54
• 4.5 本章小結54-55
• 第五章 總結與展望55-57
• 5.1 全文總結55
• 5.2 后續(xù)工作展望55-57
• 參考文獻57-62
• 攻讀碩士學位期間的學術活動及成果情況62-63

  本文關鍵詞：基于特征分類器優(yōu)化匹配和DBN決策的人臉表情識別，由筆耕文化傳播整理發(fā)布。

本文編號：265114