發(fā)布時間：2017-09-29 23:20

  本文關(guān)鍵詞：基于靜態(tài)圖像的人臉表情識別算法的研究

  更多相關(guān)文章： 人臉表情識別 集成Gabor特征 差分二值編碼 稀疏表示

【摘要】：隨著信息化時代的到來,計算機已經(jīng)悄然改變了人們的生活方式,成為人們?nèi)粘W(xué)習(xí)、工作和生活的一部分。正是在頻繁使用計算機的過程中,人們越來越期待更加友好的人機交互體驗。人臉面部表情,作為人類生物特征的一部分,體現(xiàn)了人們內(nèi)心復(fù)雜微妙的情感變化,傳遞著大量的情感信息。如果計算機可以根據(jù)用戶的面部表情了解其內(nèi)心情感,實現(xiàn)對人臉表情的識別,人們就可以體驗更加高效、更加人性化的人機交流,同時,表情識別技術(shù)也可以用于社會生活的多種應(yīng)用場景,比如智能人機交互、醫(yī)療、智能安全監(jiān)控以及情感狀態(tài)分析等多個領(lǐng)域。因此,人臉表情識別的研究對提高人們生活品質(zhì)以及提供人們方便快捷的生活方式都有極其重要的作用和意義。本文針對靜態(tài)圖像的人臉表情識別算法進行研究,研究對象是包含單張人臉的靜態(tài)表情圖像,主要的研究工作包括表情特征提取方法、有效的特征選擇方法以及表情分類算法的設(shè)計和實現(xiàn)。本文針對傳統(tǒng)的Gabor特征存在數(shù)據(jù)冗余的缺點,提出了一種基于集成Gabor特征的稀疏人臉表情識別算法。首先,采用均值融合和差分二值編碼這兩種集成方法,對原始Gabor特征圖進行多尺度和多角度的集成,獲得26張集成Gabor特征圖;然后利用所提出的基于表情識別貢獻系數(shù)的特征選擇方法,從26張集成Gabor特征圖中選出4張作為表情圖像對應(yīng)的最終特征向量;最后利用訓(xùn)練樣本的最終特征向量構(gòu)建稀疏表示分類器的過完備字典,利用L1優(yōu)化函數(shù)對表情圖像對應(yīng)的最終特征向量求解稀疏表示,再計算測試樣本與每類表情的重構(gòu)樣本的所有重構(gòu)誤差,且選擇最小重構(gòu)誤差所對應(yīng)的表情作為最后的表情識別結(jié)果。實驗數(shù)據(jù)顯示,基于集成Gabor特征的稀疏人臉表情識別算法,能夠?qū)Ρ砬樘卣鬟M行有效分離和表達,同時降低特征維數(shù)并緊湊表征數(shù)據(jù),對表情進行正確歸類。
【關(guān)鍵詞】：人臉表情識別 集成Gabor特征 差分二值編碼 稀疏表示
【學(xué)位授予單位】：沈陽工業(yè)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
• Abstract5-9
• 第1章 緒論9-28
• 1.1 研究背景與意義9-15
• 1.2 人臉表情識別概述15-25
• 1.2.1 人臉表情識別研究現(xiàn)狀15-17
• 1.2.2 人臉表情識別框架17-18
• 1.2.3 常用表情特征提取方法18-23
• 1.2.4 常用人臉表情分類方法23-25
• 1.2.5 表情識別研究中存在的難題25
• 1.3 研究內(nèi)容與目標25-26
• 1.4 論文組織結(jié)構(gòu)26-28
• 第2章 基于集成Gabor特征的稀疏人臉表情識別算法28-39
• 2.1 傳統(tǒng)Gabor特征提取方法存在的問題28-29
• 2.2 算法整體流程設(shè)計29-30
• 2.3 人臉表情圖片來源介紹30
• 2.4 圖像預(yù)處理30-38
• 2.4.1 Adaboost人臉檢測算法31-38
• 2.4.2 歸一化處理38
• 2.5 本章小結(jié)38-39
• 第3章 基于集成Gabor特征的表情特征提取方法39-49
• 3.1 Gabor小波變換39-42
• 3.1.1 Gabor小波概述39-41
• 3.1.2 Gabor濾波器的設(shè)計與實現(xiàn)41-42
• 3.2 Gabor特征集成42-47
• 3.2.1 均值融合42-44
• 3.2.2 差分二值編碼44-47
• 3.3 基于表情識別貢獻系數(shù)的特征選擇方法47-48
• 3.4 本章小結(jié)48-49
• 第4章 基于稀疏表示的表情識別方法49-61
• 4.1 稀疏表示的理論基礎(chǔ)49-56
• 4.1.1 稀疏表示的求解特性49-52
• 4.1.2 L1優(yōu)化問題的求解方法52-56
• 4.2 稀疏表示分類器56-60
• 4.2.1 過完備字典構(gòu)建56-57
• 4.2.2 稀疏系數(shù)求解57-60
• 4.2.3 表情識別結(jié)果60
• 4.3 本章小結(jié)60-61
• 第5章 實驗結(jié)果與分析61-71
• 5.1 實驗說明61-62
• 5.2 實驗結(jié)果與分析62-70
• 5.2.1 圖像預(yù)處理62
• 5.2.2 表情特征提取62-65
• 5.2.3 特征選擇方案對比65-70
• 5.3 本章小結(jié)70-71
• 第6章 結(jié)論71-73
• 參考文獻73-76
• 在學(xué)研究成果76-77
• 致謝77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王小虎;黃銀珍;張石清;;結(jié)合FSVM和KNN的人臉表情識別[J];微電子學(xué)與計算機;2013年10期

2 劉帥師;田彥濤;萬川;;基于Gabor多方向特征融合與分塊直方圖的人臉表情識別方法[J];自動化學(xué)報;2011年12期

3 蔣斌;賈克斌;楊國勝;;人臉表情識別的研究進展[J];計算機科學(xué);2011年04期

4 張發(fā)光;趙暉;;基于擴展C型HMM人臉表情識別[J];計算機應(yīng)用與軟件;2011年04期

5 孔健;詹永照;;基于多頻域LBP-TOP的人臉表情識別[J];計算機工程;2010年15期

6 詹永照;成科揚;陳亞必;文傳軍;;A New Classifier for Facial Expression Recognition:Fuzzy Buried Markov Model[J];Journal of Computer Science & Technology;2010年03期

7 應(yīng)自爐;李景文;張有為;;基于表情加權(quán)距離SLLE的人臉表情識別[J];模式識別與人工智能;2010年02期

8 樸林植;趙杰煜;;基于統(tǒng)計形狀分析的人臉基本表情分析[J];寧波大學(xué)學(xué)報(理工版);2009年02期

9 朱明旱;羅大庸;王一軍;;基于監(jiān)督式等距映射的人臉和表情識別[J];光電工程;2009年01期

10 周書仁;梁昔明;楊秋芬;劉國英;;類間學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的人臉表情識別[J];計算機應(yīng)用研究;2008年07期

，

本文編號：944818