| 【中文题名】 | 面部表情识别系统中表情特征提取与识别算法的研究 |
| 【英文题名】 | Research on Facial Feature Extraction and Recognition in Automatic Facial Expression Analysis System |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-3-2 |
| 【中关键词】 | 人脸表情识别,弹性图匹配,ASM,支持向量机,典型相关分析,核典型相关分析 |
| 【英关键词】 | facial expression recognition,model-matching,ASM,SVM,CCA,KCCA, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
人的面部表情含有丰富的人体行为信息,在人与人的交往中,面部表情是除了声音以外的非常重要的通信方式,作为信息的载体,表情能够传达很多语音所不能传达的信息。面部表情自动识别(AFEA)对人脸的表情信息进行特征提取分析,按照人的认识和思维方式加以归类和理解,利用人类所具有的情感信息方面的先验知识,使计算机进行联想、思考及推理,进而从人脸信息中去分析理解人的情绪。一般而言,表情识别系统主要有三个基本组成部分:表情图像的预处理、面部表情特征提取和面部表情识别。
本文回顾了人脸表情识别的研究历史和发展现状,讨论了现有的多种表情识别方法,并且从模式识别和统计学习的角度对人脸表情识别进行了研究。在小波提取特征的基础上提出了一种差值模板匹配算法,在保证了准确率的前提下有效地减少了运算量。同时对主动形状模型(ASM)进行研究,并应用于自动识别系统中。提出了一种基于支持向量机的人脸表情识别方法,构建了SVM多类分类器,并对不同的构建方法进行了比较,取得了较好的识别效果。此外还提出了基于核的典型相关分析方法进行人脸表情识别,使用核化理论将原本仅适用于线性特性分析的典型相关分析方法扩展至非线性分析领域,并对不同的识别... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-8 |
|
第一章 绪论 |
8-15 |
|
1.1 研究背景及项目介绍 |
8 |
|
1.2 研究的目的和意义 |
8-9 |
|
1.3 人脸表情识别系统的结构 |
9-12 |
|
1.4 人脸表情识别中的难点 |
12-13 |
|
1.5 本文的主要研究工作 |
13-14 |
|
1.5.1 表情特征的提取 |
13 |
|
1.5.2 基于SVM的面部表情识别 |
13 |
|
1.5.3 基于KCCA方法的面部表情识别 |
13-14 |
|
1.6 本文的结构安排 |
14-15 |
|
第二章 表情识别研究综述 |
15-26 |
|
2.1 引言 |
15 |
|
2.2 情绪理论研究 |
15-18 |
|
2.2.1 情绪研究的发展历史 |
15-16 |
|
2.2.2 情绪与表情的关系 |
16-17 |
|
2.2.3 表情的分类 |
17-18 |
|
2.3 人脸表情识别国内外研究情况 |
18-20 |
|
2.4 人脸表情识别的主要方法 |
20-25 |
|
2.4.1 基于子空间变换的方法 |
21-23 |
|
2.4.2 基于机器学习的方法 |
23-24 |
|
2.4.3 基于模型的方法 |
24-25 |
|
2.5 本章小结 |
25-26 |
|
第三章 表情特征提取算法的实现 |
26-42 |
|
3.1 引言 |
26 |
|
3.2 特征提取的意义 |
26-27 |
|
3.3 主动形状模型 |
27-34 |
|
3.3.1 特征点标定 |
27-28 |
|
3.3.2 形状模型的建立 |
28-31 |
|
3.3.3 局部纹理建模 |
31-34 |
|
3.4 弹性图匹配 |
34-41 |
|
3.4.1 Gabor 小波特征提取 |
34-36 |
|
3.4.2 改进的灰度差值模板特征提取方法 |
36-38 |
|
3.4.3 弹性图生成 |
38 |
|
3.4.4 相似度计算 |
38-39 |
|
3.4.5 弹性图匹配过程 |
39-40 |
|
3.4.6 实验结果与分析 |
40-41 |
|
3.7 本章小结 |
41-42 |
|
第四章 基于SVM的面部表情识别 |
42-58 |
|
4.1 引言 |
42-43 |
|
4.2 统计学习理论概述 |
43-44 |
|
4.3 最优分类面 |
44-49 |
|
4.3.1 最优分类面 |
44-48 |
|
4.3.2 广义最优分类面 |
48-49 |
|
4.4 支持向量机 |
49-52 |
|
4.4.1 高维空间中的最优分类面 |
49-50 |
|
4.4.2 支持向量机 |
50-51 |
|
4.4.3 训练算法 |
51-52 |
|
4.5 多类SVM分类器 |
52-54 |
|
4.5.1 “一对多”分类法 |
53 |
|
4.5.2 “一对一”分类法 |
53-54 |
|
4.6 基于SVM的面部表情识别 |
54-57 |
|
4.6.1 实验过程及结果 |
54-57 |
|
4.6.2 实验结果分析及结论 |
57 |
|
4.7 本章小结 |
57-58 |
|
第五章 基于KCCA的面部表情识别 |
58-73 |
|
5.1 引言 |
58 |
|
5.2 典型相关判别分析 |
58-62 |
|
5.2.1 典型相关分析（CCA） |
58-60 |
|
5.2.2 典型相关判别分析（CCDA） |
60-62 |
|
5.3 核典型相关分析（KCCA） |
62-68 |
|
5.3.1 什么是核函数？ |
62-64 |
|
5.3.2 核典型相关分析 |
64-67 |
|
5.3.3 使用KCCA进行分类判定 |
67-68 |
|
5.4 基于KCCA的面部表情识别 |
68-72 |
|
5.4.1 实验过程及结果 |
68-71 |
|
5.4.2 实验结果分析及结论 |
71-72 |
|
5.5 本章小结 |
72-73 |
|
第六章 总结与展望 |
73-75 |
|
参考文献 |
75-80 |
|
致谢 |
80 |
|
| 【DOI】 | LunWen.ID:2.2008.366236 |
