本文關(guān)鍵詞：任意姿態(tài)人臉表情識別方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：研發(fā)可用于自然場景中的自動人臉表情識別系統(tǒng)是人機交互的重要目標之一,然而自然場景中人的頭部是不斷運動的,因此想要把人臉表情識別系統(tǒng)應(yīng)用于現(xiàn)實場景中首先要解決圖像中不斷變化的人臉姿態(tài)問題�，F(xiàn)階段任意姿態(tài)人臉表情識別系統(tǒng)主要可以分為三類:1)分別為每種人臉姿態(tài)的表情圖像建立對應(yīng)的表情識別模型;2)忽略姿態(tài)因素,為各種姿態(tài)的人臉表情圖像建立單一的表情識別模型;3)通過建立不同姿態(tài)間映射關(guān)系進行姿態(tài)歸一化,為不同姿態(tài)的人臉表情圖像建立統(tǒng)一的表情識別模型。第一種多分類器方式需要根據(jù)姿態(tài)的不同訓練眾多模型,且需要為每個模型單獨調(diào)節(jié)參數(shù)。第二種單一分類器無法去除姿態(tài)的干擾信息也必然會影響模型最終的表情識別率。第三種統(tǒng)一分類器多是通過定位人臉關(guān)鍵特征點學習非正臉圖像與正臉圖像映射關(guān)系的方法提取對姿態(tài)具有魯棒性的特征,從而使任意姿態(tài)的人臉表情識別任務(wù)可以在一個統(tǒng)一的模型中完成。這很大程度依賴于關(guān)鍵特征點定位的準確性,尤其是側(cè)臉狀態(tài)下的關(guān)鍵特征點定位目前仍然存在很大困難。因此為了解決這三種方法所存在的問題,本文提出基于層次狄利克雷模型和快速自動編碼器的任意姿態(tài)人臉表情識別方法。文章的主要內(nèi)容如下:(1)提出基于層次狄利克雷模型的任意姿態(tài)人臉分割、人臉表情識別方法。針對當人臉表情圖像中人臉姿態(tài)變化復(fù)雜時需要為每種姿態(tài)分別建立模型和調(diào)節(jié)參數(shù)而引起的模型效率低的問題,以及忽略姿態(tài)因素為不同姿態(tài)建立單一模型帶來的模型識別率低的問題,提出基于層次狄利克雷模型的任意姿態(tài)人臉關(guān)鍵區(qū)域分割、人臉表情識別方法。該方法通過將姿態(tài)因素加入傳統(tǒng)狄利克雷模型中,由主題模型學習中間層特征,使模型在學習過程中可以共享不同姿態(tài)之間的特征信息,從而使任意姿態(tài)人臉表情識別任務(wù)可在一個完整統(tǒng)一的模型中完成。通過構(gòu)建人臉關(guān)鍵區(qū)域分割、人臉表情識別的層次結(jié)構(gòu)得到一種從粗糙到精細的表情識別模型,從而提高模型的效率。通過結(jié)合局部紋理特征和其所對應(yīng)的幾何特征學習得到特征之間的幾何約束,從而提高模型的穩(wěn)定性與識別率。在RAFD和BU-3DFE兩個公開人臉表情數(shù)據(jù)庫上的實驗結(jié)果表明,與現(xiàn)階段所提方法在同等條件下相比,該方法能有效解決人臉表情圖像中不斷變化的姿態(tài)問題,將最終的平均表情識別率提高了0.4%~16.2%。(2)提出基于空間連貫特征的快速任意姿態(tài)人臉表情識別方法。針對人臉表情識別中出現(xiàn)的由于特征點定位不準確而影響任意姿態(tài)人臉表情識別結(jié)果的問題,以及層次狄利克雷模型中隨著姿態(tài)不斷增加而引起模型復(fù)雜度逐漸增加的問題,提出基于空間連貫特征的快速任意姿態(tài)人臉表情識別方法。該方法通過將任意姿態(tài)的非正臉圖像從像素級別將其映射為所對應(yīng)的正臉圖像,避免了特征點定位不準確的問題。通過基于對表情貢獻較大的關(guān)鍵區(qū)域的無監(jiān)督特征學習方法提取對光照、圖像扭曲等因素更具魯棒性的特征,提高了模型的效率以及表情的識別率。通過將無監(jiān)督特征學習得到的學習型特征與其所對應(yīng)的關(guān)鍵區(qū)域的幾何信息相結(jié)合,形成具有空間連貫特性的混合特征,提高了模型的效率和穩(wěn)定性。在公開的包含任意姿態(tài)人臉表情識別圖像的標準庫BU-3DFE上,從多個方面驗證了所提方法的有效性,實驗結(jié)果表明該方法所取得的人臉表情識別準確率高于當前最好方法,從最終表情識別結(jié)果來比較在當前最高水平的基礎(chǔ)上又提高了1.6%。(3)設(shè)計實現(xiàn)人臉表情識別GUI界面。采用MATLAB與C++混合編程的方法實現(xiàn)了人臉表情識別的GUI界面,包括人臉檢測、人臉關(guān)鍵區(qū)域分割,表情識別等功能均在此原型系統(tǒng)中得以體現(xiàn)。
【關(guān)鍵詞】：人臉表情識別 任意姿態(tài) 狄利克雷模型 自動編碼器 無監(jiān)督特征學習
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-17
• 1.1 研究背景和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 人臉表情識別方法中的難點13-15
• 1.4 論文主要工作15-16
• 1.5 論文的組織結(jié)構(gòu)16-17
• 第二章 任意姿態(tài)人臉表情識別相關(guān)技術(shù)及發(fā)展現(xiàn)狀17-30
• 2.1 任意姿態(tài)人臉表情識別概述17-21
• 2.1.1 任意姿態(tài)人臉表情識別過程簡介17
• 2.1.2 人臉檢測方法研究現(xiàn)狀17-18
• 2.1.3 人臉預(yù)處理及姿態(tài)歸一化方法研究現(xiàn)狀18-19
• 2.1.4 人臉特征提取與表示方法研究現(xiàn)狀19-21
• 2.1.5 任意姿態(tài)人臉表情識別方法研究現(xiàn)狀21
• 2.2 狄利克雷模型21-26
• 2.2.1 狄利克雷模型概述21-25
• 2.2.2 狄利克雷模型與人臉表情識別的關(guān)系25-26
• 2.3 自動編碼器26-29
• 2.3.1 自動編碼器概述26-29
• 2.3.2 自動編碼器與人臉表情識別的關(guān)系29
• 2.4 本章小結(jié)29-30
• 第三章 基于層次狄利克雷模型的任意姿態(tài)人臉分割、表情識別方法30-46
• 3.1 概述30-31
• 3.2 基于層次狄利克雷模型的人臉表情識別31-36
• 3.2.1 基于狄利克雷模型的人臉分割31-34
• 3.2.2 基于狄利克雷模型的人臉表情識別34
• 3.2.3 模型推導(dǎo)34-36
• 3.2.4 貝葉斯分類36
• 3.3 表情特征提取與表示36-38
• 3.3.1 人臉檢測與姿態(tài)估計37
• 3.3.2 特征提取與表示37
• 3.3.3 中間層特征37-38
• 3.4 實驗結(jié)果與分析38-45
• 3.4.1 表情庫與實驗設(shè)置38-39
• 3.4.2 參數(shù)選擇39-40
• 3.4.3 實驗結(jié)果分析與比較40-45
• 3.5 本章小結(jié)45-46
• 第四章 基于空間連貫特征的快速任意姿態(tài)人臉表情識別方法46-55
• 4.1 概述46-47
• 4.2 正臉圖像合成47-48
• 4.2.1 特征點定位48
• 4.2.2 估計投影矩陣&合成正臉圖像48
• 4.3 基于空間連貫特征的快速任意姿態(tài)人臉表情識別方法48-50
• 4.3.1 關(guān)鍵區(qū)域采樣49
• 4.3.2 空間連貫性特征的提取與表示49-50
• 4.3.3 任意姿態(tài)人臉表情識別50
• 4.4 實驗與結(jié)果分析50-54
• 4.4.1 表情庫與實驗設(shè)置50-51
• 4.4.2 參數(shù)選擇51-52
• 4.4.3 實驗結(jié)果分析與比較52-54
• 4.5 本章小結(jié)54-55
• 第五章 原型系統(tǒng)的設(shè)計與實現(xiàn)55-62
• 5.1 系統(tǒng)的運行環(huán)境55
• 5.2 GUI界面層次結(jié)構(gòu)55-57
• 5.3 任意姿態(tài)人臉表情識別系統(tǒng)實現(xiàn)57-61
• 5.3.1 系統(tǒng)軟件實現(xiàn)57
• 5.3.2 系統(tǒng)運行界面展示57-61
• 5.4 本章小結(jié)61-62
• 第六章 總結(jié)與展望62-64
• 6.1 總結(jié)62-63
• 6.2 展望63-64
• 參考文獻64-69
• 致謝69-70
• 在學期間發(fā)表的學術(shù)論文及其他科研成果70

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫蔚;王波;;人臉表情識別綜述[J];電腦知識與技術(shù);2012年01期

2 楊梅娟;;人臉表情識別綜述[J];甘肅科技;2006年04期

3 劉曉e，

本文編號：326436