本文關(guān)鍵詞：基于動態(tài)序列的微表情識別，由筆耕文化傳播整理發(fā)布。

【摘要】：類似于傳統(tǒng)的宏觀表情,微表情包含幾類基本情感,準(zhǔn)確識別微表情能夠有效把握情緒變化,為心理研究、行為預(yù)判等提供依據(jù)。區(qū)別于宏觀表情,微表情誘發(fā)機制復(fù)雜微妙,從起始到結(jié)束是一個短促弱化的過程,以往的基于靜態(tài)圖像的分析方法已不適用。本文針對序列圖像開展研究,目標(biāo)是判斷情感類別并提高整體識別精度,研究內(nèi)容集中于特征提取和分類兩個方面,重點在特征提取算法的實現(xiàn)和改進上。特征提取中,我們從紋理分析和亮度跟蹤兩個角度挖掘圖像間相關(guān)性。利用紋理普遍存在于圖像中的共性規(guī)律,采用時空局部紋理描述算子(LBP-TOP)提取微表情動態(tài)特征�？紤]到圖像中不同方向信息對紋理的刻畫程度不同,通過高斯微分預(yù)處理,再對各方向使用LBP-TOP,實現(xiàn)多尺度紋理分析。其次,基于光照不變和局部平滑兩個約束條件,文中首次應(yīng)用全局光流技術(shù)跟蹤灰度圖像像素亮度變化。采用高斯圖像金字塔和迭代重加權(quán)最小二乘法在相鄰兩幀間優(yōu)化目標(biāo)函數(shù),估算最優(yōu)光流,細致反映像素運動情形,解決了微表情持續(xù)時間短的難題。由于相鄰兩幀差別很小,獲得的光流過于微弱,通過依次傳遞每兩幀的運動信息得到相隔多幀的光流,形成全局稠密光流場,體現(xiàn)人臉關(guān)鍵區(qū)域細微改變,排除了強度低的困擾。在此基礎(chǔ)上對光流圖像進行區(qū)域劃分,在局部內(nèi)統(tǒng)計特征。更進一步,為抵消背景噪聲、面部膚質(zhì)引起的計算誤差,提出一種新穎的特征結(jié)合方法,將LBP-TOP提取的時空局部紋理特征和光流特征相結(jié)合,補充描述遺失的細節(jié)信息,以改善分類效果。在分類器設(shè)計環(huán)節(jié),本著時間成本可控,高效易用的原則,文中選用兩種成熟的機器學(xué)習(xí)算法(支持向量機、隨機森林)分別生成分類模型。支持向量機在每兩類間構(gòu)造分類器,采取交叉驗證和網(wǎng)格搜索的策略遴選出的最優(yōu)參數(shù)確定分類超平面,完成多類樣本的區(qū)分;而隨機森林通過Bagging和特征子空間兩種隨機化思想組合若干棵決策樹模型,投票預(yù)測結(jié)果,降低了泛化誤差。實驗結(jié)果表明,全局光流技術(shù)能夠應(yīng)用于微表情識別研究中,在CASMEII數(shù)據(jù)庫下,算法改進后,特征的整體識別精度和類間區(qū)分準(zhǔn)確度均有顯著提升,并且,多尺度紋理分析的方法對識別效果有較大改善,此外,LBP-TOP和光流兩種特征具有很好的互補性,各項數(shù)據(jù)驗證了文中方法合理有效,具備可行性。
【關(guān)鍵詞】：微表情 LBP-TOP 光流 支持向量機 隨機森林
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 第1章 緒論11-19
• 1.1 課題背景及研究意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-15
• 1.2.1 相關(guān)進展13-14
• 1.2.2 存在問題14-15
• 1.3 主要內(nèi)容與結(jié)構(gòu)安排15-19
• 1.3.1 研究目標(biāo)15
• 1.3.2 數(shù)據(jù)來源15-16
• 1.3.3 主要內(nèi)容16-17
• 1.3.4 章節(jié)安排17-19
• 第2章 基于多尺度LBP-TOP的特征提取19-35
• 2.1 引言19
• 2.2 多尺度分析19-22
• 2.2.1 平滑濾波19-20
• 2.2.2 高斯微分20-22
• 2.3 局部二值模式22-27
• 2.3.1 原始LBP22-23
• 2.3.2 改進LBP23-24
• 2.3.3 降維24-26
• 2.3.4 靜態(tài)特征統(tǒng)計26-27
• 2.4 時空局部二值模式27-32
• 2.4.1 LBP-TOP28-30
• 2.4.2 動態(tài)特征統(tǒng)計30-32
• 2.5 多尺度LBP-TOP32-34
• 2.6 本章小結(jié)34-35
• 第3章 基于全局光流的特征提取與結(jié)合35-50
• 3.1 引言35
• 3.2 相關(guān)理論35-37
• 3.2.1 運動場及光流場35-36
• 3.2.2 經(jīng)典計算方法36-37
• 3.3 問題描述37-39
• 3.3.1 約束條件37-39
• 3.3.2 模型構(gòu)建39
• 3.4 算法實現(xiàn)39-48
• 3.4.1 目標(biāo)優(yōu)化39-42
• 3.4.2 多分辨率策略42-44
• 3.4.3 特征統(tǒng)計44-48
• 3.5 光流與LBP-TOP特征結(jié)合48-49
• 3.6 本章小結(jié)49-50
• 第4章 分類器設(shè)計50-62
• 4.1 引言50
• 4.2 支持向量機50-56
• 4.2.1 分類原理50-52
• 4.2.2 樣本空間52-55
• 4.2.3 模型參數(shù)優(yōu)化55-56
• 4.3 隨機森林56-61
• 4.3.1 集成學(xué)習(xí)57
• 4.3.2 決策樹57-59
• 4.3.3 組合分類模型59-61
• 4.4 本章小結(jié)61-62
• 第5章 實驗分析62-74
• 5.1 軟件工具62
• 5.2 評價準(zhǔn)則62-64
• 5.3 對比驗證64-73
• 5.3.1 識別LBP-TOP特征64-67
• 5.3.2 識別GDLBP-TOP特征67-68
• 5.3.3 識別OF特征68-70
• 5.3.4 識別LBP-TOP+OF特征70-73
• 5.4 本章小結(jié)73-74
• 第6章 全文總結(jié)74-76
• 6.1 主要完成工作74
• 6.2 進一步展望74-76
• 參考文獻76-82
• 作者簡介及科研成果82-83
• 致謝83

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳小燕;;機器學(xué)習(xí)算法在數(shù)據(jù)挖掘中的應(yīng)用[J];現(xiàn)代電子技術(shù);2015年20期

2 張軒閣;田彥濤;郭艷君;王美茜;;基于光流與LBP-TOP特征結(jié)合的微表情識別[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2015年05期

3 張佳威;支瑞峰;;光流算法比較分析研究[J];現(xiàn)代電子技術(shù);2013年13期

4 梁靜;顏文靖;吳奇;申尋兵;王u&菁;傅小蘭;;微表情研究的進展與展望[J];中國科學(xué)基金;2013年02期

5 穆國旺;王陽;郭蔚;;基于生物啟發(fā)特征和SVM的人臉表情識別[J];計算機工程與應(yīng)用;2014年17期

6 楊葉梅;;基于改進光流法的運動目標(biāo)檢測[J];計算機與數(shù)字工程;2011年09期

7 屠大維;江濟良;;改進的光流運動圖像分析方法及其應(yīng)用[J];光學(xué)精密工程;2011年05期

8 劉麗;匡綱要;;圖像紋理特征提取方法綜述[J];中國圖象圖形學(xué)報;2009年04期

9 ;Discontinuity-preserving optical flow algorithm[J];Journal of Systems Engineering and Electronics;2007年02期

10 白羽;馬海斌;;質(zhì)心識別及模糊判決方法在室內(nèi)監(jiān)控系統(tǒng)的應(yīng)用[J];計量與測試技術(shù);2007年02期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 劉曉慶;微表情識別能力促進的初步研究[D];沈陽師范大學(xué);2012年

  本文關(guān)鍵詞：基于動態(tài)序列的微表情識別，，由筆耕文化傳播整理發(fā)布。

本文編號：324158