本文關(guān)鍵詞：基于子空間分析的面部表情特征提取算法研究

  更多相關(guān)文章： 子空間分析 面部表情 特征提取 廣義多重最大散布差準(zhǔn)則 流形學(xué)習(xí) 多流形鑒別分析

【摘要】：面部表情能夠提供人們情緒的敏感線索,對(duì)其的識(shí)別作為人機(jī)交互的一個(gè)關(guān)鍵功能受到科研人員的廣泛關(guān)注。由于面部表情呈現(xiàn)出的非剛性特點(diǎn),致使傳統(tǒng)的表情識(shí)別方法難以達(dá)到令人滿意的效果。子空間分析方法是當(dāng)前模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn),它利用統(tǒng)計(jì)分析方法將樣本投影到某個(gè)最優(yōu)子空間,以實(shí)現(xiàn)數(shù)據(jù)降維和特征提取。本文主要針對(duì)基于子空間分析的面部表情特征提取算法進(jìn)行了研究,旨在提取出用于有效表征面部表情的特征進(jìn)行分類識(shí)別,論文的主要貢獻(xiàn)如下:第一,針對(duì)基于差準(zhǔn)則的特征提取算法無(wú)法有效提取鑒別信息的問(wèn)題,提出廣義多重最大散布差準(zhǔn)則(GMMSD)及相應(yīng)的特征提取算法。該算法利用差準(zhǔn)則代替熵準(zhǔn)則避免了“小樣本”問(wèn)題,并且利用QR分解能夠提取出更有效的鑒別特征用于面部表情識(shí)別,同時(shí)也降低了特征提取時(shí)的運(yùn)算復(fù)雜度。與傳統(tǒng)特征提取方法相比,GMMSD具有如下三個(gè)特點(diǎn):(1)避免了“小樣本”問(wèn)題,無(wú)須對(duì)樣本進(jìn)行預(yù)處理步驟;(2)利用QR分解對(duì)原始樣本進(jìn)行特征提取,保留了原始樣本的分布特征;(3)根據(jù)不同的變化矩陣,GMMSD可以演化成不同的特征提取算法,表明了GMMSD的廣義性特點(diǎn)。實(shí)驗(yàn)表明GMMSD能夠有效提取面部表情的鑒別特征,提高面部表情的識(shí)別精度。第二,針對(duì)訓(xùn)練集可能添加樣本的情況,提出了增量型廣義散布差準(zhǔn)則算法(IGMMSD+)。IGMMSD+將增量更新的情況分為兩種:添加新樣本到新類別和添加新樣本到存在的類別,分別給出了以上兩種情況下的增量更新算法,避免了實(shí)際應(yīng)用中訓(xùn)練集更新時(shí)重新對(duì)整個(gè)庫(kù)進(jìn)行訓(xùn)練的問(wèn)題。IGMMSD+算法有以下幾個(gè)方面值得強(qiáng)調(diào):(1)IGMMSD+的性能完全等價(jià)于GMMSD+,即增量更新過(guò)程并沒(méi)有近似計(jì)算過(guò)程,而其它增量算法多是近似形式,無(wú)法達(dá)到原始算法的識(shí)別性能;(2)GMMSD+可將每類訓(xùn)練樣本的均值矩陣分成兩部分:訓(xùn)練集共有成分(ICC)和鑒別差異成分(DDC)。更甚的是,提出的算法能自動(dòng)丟棄包含有較少鑒別信息的ICC,同時(shí)保留包含有真正鑒別信息的DDC。第三,為了有效地揭示面部表情中存在的潛在結(jié)構(gòu),提出多流形鑒別分析算法(MMDA)。傳統(tǒng)的流形學(xué)習(xí)方法假設(shè)不同表情處于同一個(gè)流形上,然而這種假設(shè)至今沒(méi)有被科研人員所證明,即并不能肯定各類面部表情僅僅處于一個(gè)流形。與多數(shù)算法不同的是,MMDA利用能夠反映表情變化的面部表情顯著區(qū)域作為訓(xùn)練,結(jié)合多流形學(xué)習(xí)方法,提取具體表情下的流形鑒別信息。多流形鑒別分析方法具有以下三個(gè)優(yōu)點(diǎn):(1)MMDA只利用面部表情的顯著區(qū)域作為訓(xùn)練和測(cè)試。這種方式避免了非表情顯著區(qū)域?qū)ψR(shí)別結(jié)果的干擾,同時(shí)也減少了算法的運(yùn)算復(fù)雜度;(2)對(duì)比以往的單流形表情識(shí)別方法,基于多流形學(xué)習(xí)的算法不但可以避免訓(xùn)練過(guò)程中由于樣本數(shù)量的限制可能造成的過(guò)擬合問(wèn)題,同時(shí)也有助于提高表情識(shí)別性能。第四,針對(duì)多數(shù)方法將圖像轉(zhuǎn)化為一維向量,造成維數(shù)過(guò)高,運(yùn)算復(fù)雜度大以及可能出現(xiàn)的“小樣本”等問(wèn)題,提出二維多流形鑒別分析(2DMMDA)算法。2DMMDA直接利用圖像的二維數(shù)據(jù)進(jìn)行特征提取,解決了維數(shù)過(guò)高的問(wèn)題,同時(shí)也避免了小樣本問(wèn)題的發(fā)生。本文在二維鑒別局部保留投影的基礎(chǔ)上,構(gòu)建同類樣本之間的相似性矩陣和異類樣本之間的差異性矩陣。另外,考慮到同類樣本之間的差異性對(duì)各表情特征提取的重要性,將同類樣本之間的差異性信息引入到算法當(dāng)中,從而提高表情的識(shí)別效果。
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 余成波;秦華鋒;;手指靜脈圖像特征提取算法的研究[J];計(jì)算機(jī)工程與應(yīng)用;2008年24期

2 周嬌;李端明;曹泰峰;;導(dǎo)彈圖像特征提取算法及系統(tǒng)架構(gòu)[J];兵工自動(dòng)化;2011年03期

3 毛建鑫;劉煒;侯秋華;孫紅彬;;一種改進(jìn)的水果特征提取算法[J];計(jì)算機(jī)工程與應(yīng)用;2013年06期

4 張向群;張旭;;基于二維判別局部排列的特征提取算法[J];計(jì)算機(jī)工程;2013年08期

5 王化U，

本文編號(hào)：1272537