论文部分内容阅读
人脸表情是进行交往和表达情绪的一种重要手段,不经过特殊训练,人类对其面部表情往往很难掩饰,所以,通过对人脸表情进行分析,可以获得重要的信息。人脸表情识别是人机交互的智能化实现的一个重要组成部分,也是模式识别、图像处理领域的一个重要研究课题,近几年来,受到了越来越多的科研人员的关注。本文以非动态的人脸表情图像为研究对象,研究了人脸图像人脸定位、局部器官定位和局部特征提取、并深入研究了基于流形学习的人脸表情识别。 本论文的主要研究工作为: 1)在阅读了大量的国内外人脸表情识别相关的文献、资料基础上,对人脸表情识别的发展现状和存在的问题进行了概括,对于人脸表情识别系统中关键步骤如人脸局部分割、特征提取、特征降维等相关算法进行了概述,并详细了解了流形学习算法的研究背景和发展现状。 2)研究了人脸定位和局部表情特征提取。基于AdaBoost算法实现人脸定位。基于积分投影方法实现人脸中嘴巴、鼻子、眼睛、眉毛等局部区域的分割,然后分别采用LBP方法和Gabor小波算法提取局部特征。其中对于人脸定位和局部表情特征提取的效果进行了实验验证。 3)对两种常用的线性降维算法:主成分分析(PCA)和线性描述分析(LDA)及非线性降维算法中三种具有代表性的算法:等距离映射(ISOMAP)、局部线性嵌入(LLE)和局部切空间排列(LTSA)进行了理论分析和实验比较。实验的内容包括人造数据验证低维嵌入效果和人脸表情库数据中的表情识别率的对比。实验结果表明LTSA算法相对于其他算法具有一定的优势。 4)针对局部切空间排列算法不能有效处理不断增加的数据集的问题,着重研究了可泛化局部切空间排列算法及其在人脸表情识别中的应用。首先介绍了两种可泛化的局部切空间排列算法,然后将有监督的k近邻计算方法结合到可泛化的LTSA算法中。进一步针对LTSA算法的不足,提出了有监督的GILTSA算法。最后,对各种泛化流形学习算法在人脸识别和人脸表情识别中的应用进行了实验比较。实验结果均表明有监督的GILTSA算法结果更好。