论文部分内容阅读
随着传感器的应用,许多公司已经开发出了人机交互设备,比如微软的SURFACE平板电脑和苹果的IPAD设备,但它们所提供的互动模式仅限于触控和语音,很少涉及到计算机视觉感知。不可否认的是,计算机视觉理论对智能化人机交互、模式识别和计算机自动图像理解都有着重要意义。尤其是人脸表情识别技术,可以让计算机感知到人们在想些什么,进而在医疗领域、安全领域、公共服务领域、远程教育等领域提供更多更优质的服务。所以,从这个思想出发,本文主要完成了以下四方面工作：(1)实时人脸检测,本文首先总结了基于知识和基于统计理论的人脸检测方法,然后着重介绍了AdaBoost算法的基本原理,并用此种算法对人脸进行检测。同时本文总结了国内外一些常用的数据库,本文最终的表情训练集主要由Cohn-Kanade人脸数据库,CAS-PEAL人脸数据库、JAFFE数据库和一些自己从网上找到的数据库组成。(2)基于压缩感知的人脸特征提取,本文首先概述了压缩感知的基本理论,对压缩感知中信号的测量矩阵、稀疏表示、信号重构等问题进行详细的介绍和分析；最后提出利用一个满足Johnson-Lindenstrauss定理的非常稀疏矩阵对人脸进行表情特征提取,这种方法充分体现了压缩感知理论速度上的优势,为接下来的实时表情识别奠定了良好的基础。(3)表情分类器训练,本文首先介绍了支持向量法、最近邻法、决策树、朴素贝叶斯等几种分类方法的分类原理,并提出了利用支持向量(SVM)的方法对人脸表情进行分类。然后着重介绍了利用LibSVM工具对表情分类器的训练,并讨论了支持向量法在取不同核函数时,对本研究中分类结果的影响。(4)人脸表情识别,在训练出合适的分类器后,本文又总结了两种表情归类方法：基于决策树思想的表情分类和基于投票法思想的表情分类,通过比较两种方法的速度和稳定性,最终选择了稳定性更好的基于投票法思想的表情分类。