隨著計(jì)算機(jī)技術(shù)的發(fā)展,面部表情識(shí)別技術(shù)的應(yīng)用范圍也隨之?dāng)U大。目前,面部表情識(shí)別算法的研究已經(jīng)成為人工智能領(lǐng)域的一個(gè)重要分支,該技術(shù)的研究和應(yīng)用使人機(jī)交互變得更加智能。表情識(shí)別面臨的一個(gè)重要問(wèn)題是:從人臉圖像中提取的特征將無(wú)可避免地包含人臉身份信息。因此本文旨在研究如何在特征提取過(guò)程中突出表情信息。本文將從局部特征和全局特征兩方面進(jìn)行研究,具體內(nèi)容如下:(1)針對(duì)局部特征方法進(jìn)行改進(jìn)。使用詞袋模型作為基礎(chǔ),提取局部信息。首先,在進(jìn)行特征提取時(shí)使用改進(jìn)的LBP算法得到突出表情的局部特征,在編碼時(shí)加入原始像素的梯度信息,既能得到表情特征又能得到表情特征的位置信息;然后采用稀疏相關(guān)約束下的非負(fù)矩陣分解算法進(jìn)行降維,根據(jù)稀疏約束使降維后的特征簡(jiǎn)潔,根據(jù)相關(guān)約束使降維后的特征保留更多地相似性,便于后續(xù)構(gòu)造字典和編碼。(2)針對(duì)全局特征方法進(jìn)行改進(jìn)。由于直接提取圖像特征會(huì)存在人臉身份信息干擾,所以一方面利用DWT算法獲得人臉的表情圖像,將該圖像特征與整體面部特征進(jìn)行融合,得到表情加權(quán)的全局信息;另一方面,利用互信息來(lái)衡量表情圖像間的相似性,將其用于構(gòu)造流形降維中的鄰接矩陣,使降維特征中保留表情信息的...

【文章來(lái)源】： 燕山大學(xué)河北省

【文章頁(yè)數(shù)】：66 頁(yè)

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 表情識(shí)別框架
    2.1 數(shù)據(jù)集介紹
    2.2 圖像預(yù)處理
        2.2.1 人臉圖像檢測(cè)
        2.2.2 歸一化
    2.3 特征提取
        2.3.1 基于降維特征提取
        2.3.2 局部特征提取
        2.3.3 全局特征提取
    2.4 分類(lèi)方法
    2.5 本章小結(jié)
第3章 基于局部特征的表情識(shí)別算法
    3.1 改進(jìn)的LBP算法(GLBP)
    3.2 基于非負(fù)矩陣分解的降維
        3.2.1 非負(fù)矩陣分解
        3.2.2 基于相關(guān)約束和稀疏約束下的改進(jìn)非負(fù)矩陣分解
    3.3 基于局部二值的視覺(jué)詞袋模型
        3.3.1 視覺(jué)詞袋模型基本步驟
        3.3.2 改進(jìn)視覺(jué)詞袋模型
    3.4 實(shí)驗(yàn)與分析
        3.4.1 JAFFE數(shù)據(jù)集實(shí)驗(yàn)
        3.4.2 TEFID數(shù)據(jù)集實(shí)驗(yàn)
        3.4.3 CK+數(shù)據(jù)集實(shí)驗(yàn)
        3.4.4 特征降維維數(shù)對(duì)比實(shí)驗(yàn)
        3.4.5 其他算法對(duì)比實(shí)驗(yàn)
    3.5 本章小結(jié)
第4章 基于全局特征的表情識(shí)別算法
    4.1 基于2DGabor小波變換的人臉特征提取
    4.2 基于離散小波變化的表情特征加權(quán)
    4.3 表情互信息流形學(xué)習(xí)
        4.3.1 流形學(xué)習(xí)
        4.3.2 互信息
        4.3.3 互信息保局投影降維模型
    4.4 協(xié)同表示分類(lèi)
    4.5 實(shí)驗(yàn)與分析
        4.5.1 JAFFE數(shù)據(jù)集實(shí)驗(yàn)
        4.5.2 TEFID數(shù)據(jù)集實(shí)驗(yàn)
        4.5.3 CK+數(shù)據(jù)集實(shí)驗(yàn)
        4.5.4 特征降維維數(shù)對(duì)比實(shí)驗(yàn)
        4.5.5 其他算法對(duì)比實(shí)驗(yàn)
    4.6 本章小結(jié)
第5章 基于局部特征與全局特征的表情識(shí)別算法
    5.1 融合方法
    5.2 實(shí)現(xiàn)框圖
    5.3 實(shí)驗(yàn)與分析
        5.3.1 數(shù)據(jù)集劃分比例對(duì)比實(shí)驗(yàn)
        5.3.2 全局算法與局部算法融合
        5.3.3 混淆矩陣
        5.3.4 噪聲實(shí)驗(yàn)
        5.3.5 其他算法對(duì)比
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于特征融合的人臉表情識(shí)別研究 [J]. 高理想,高磊.  軟件工程. 2019(12)
[2]基于互信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法研究 [J]. 沈侖,壽鵬里.  科學(xué)技術(shù)創(chuàng)新. 2019(34)
[3]基于離散小波變換和梯度銳化的遙感圖像融合算法 [J]. 姜文斌,孫學(xué)宏,劉麗萍.  電光與控制. 2020(05)
[4]基于多特征融合密集殘差CNN的人臉表情識(shí)別 [J]. 馬中啟,朱好生,楊海仕,王琪,胡燕海.  計(jì)算機(jī)應(yīng)用與軟件. 2019(07)
[5]自適應(yīng)Gabor卷積核編碼網(wǎng)絡(luò)的表情識(shí)別方法 [J]. 梁華剛,張志偉,王亞茹.  計(jì)算機(jī)工程與應(yīng)用. 2020(10)
[6]基于改進(jìn)的局部方向模式人臉表情識(shí)別算法 [J]. 羅元,余朝靖,張毅,劉浪.  重慶大學(xué)學(xué)報(bào). 2019(03)
[7]基于LBP和PCA的表情識(shí)別 [J]. 范禮鴻,寧媛.  新型工業(yè)化. 2019(02)
[8]基于改進(jìn)的局部二值模式算法的表情識(shí)別 [J]. 賈磊,魯旭濤,孫運(yùn)強(qiáng).  國(guó)外電子測(cè)量技術(shù). 2018(10)
[9]融合AAM、CNN與LBP特征的人臉表情識(shí)別方法 [J]. 李艷瑋,鄭偉勇,林楠.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(12)
[10]改進(jìn)的多尺度局部二值模式的表情識(shí)別方法 [J]. 蘆敏,周海英.  河北農(nóng)機(jī). 2017(10)

博士論文
[1]基于子空間分析的面部表情特征提取算法研究[D]. 鄭寧.鄭州大學(xué). 2016

碩士論文
[1]基于混合特征的人臉表情識(shí)別算法研究[D]. 吳越.哈爾濱工程大學(xué). 2019
[2]基于特征融合的人臉表情識(shí)別研究[D]. 付克博.杭州電子科技大學(xué). 2017
[3]基于自適應(yīng)加權(quán)LBP和協(xié)作表示的人臉表情識(shí)別[D]. 石婉婉.南京郵電大學(xué). 2016
[4]基于改進(jìn)的LBP算子和稀疏表達(dá)在人臉表情識(shí)別上的醫(yī)用[D]. 趙棟杰.江蘇科技大學(xué). 2016
[5]基于Gabor小波的人臉表情識(shí)別研究[D]. 劉勝.華中科技大學(xué). 2015
[6]基于HOG特征的人臉表情識(shí)別算法研究[D]. 王鎮(zhèn).南京郵電大學(xué). 2015



本文編號(hào)：3530317