论文部分内容阅读
人脸表情作为传递情感信息的载体,在人机交互过程中发挥着不可替代的作用。传统表情特征提取方法灵活性差,提取的特征容易受到复杂环境影响。而使用深度学习方法获取特征需要大量的训练数据,数据量不足会导致模型产生过拟合,同时训练深层神经网络耗时费力。因此,研究表情特征获取以及提高表情识别率的有效方法是人脸表情识别技术研究的重点。针对LBP特征易受噪声干扰,并且LBP特征采用单个像素点灰度值之间的比较方式难以描述灰度变化,忽略了表情图像的整体结构,导致部分特征信息丢失。本文通过扩展LBP算子的邻域尺寸,提出了一种改进的LBP特征提取算法。该算法采用局部邻域像素点的加权灰度值代替单个邻域像素点的灰度值,将邻域像素点的加权灰度值与中心像素点的灰度值做差运算取其绝对值,然后将其平均值用于LBP编码进行表情特征提取,加强了表情图像中各像素点之间的联系。针对人脸表情特征分类,考虑SVM具有强大的非线性分类能力,将改进的LBP特征与SVM分类器结合,设计了一种人脸表情识别方法。该方法首先采用改进LBP算法对经过预处理的表情图像提取特征向量,然后通过一对一策略构建SVM分类器,对获取的表情特征进行学习。利用公开表情数据集JAFFE和CK+对该方法进行交叉验证,仿真实验结果表明该方法在两种数据集上分别取得90.8%和96.2%的识别率。在JAFFE数据集上,与现有算法的识别率提高了1.3%。针对可用表情样本数量少,深层神经网络提取特征信息不足的问题,设计了一种改进LBP特征与CNN模型结合的人脸表情识别方法。该方法将改进的LBP表情特征矩阵直接输入CNN模型进行训练,使CNN提取的人脸表情特征信息得到了增强。实验采用JAFFE和CK+表情集对该方法进行交叉验证,仿真实验结果表明该方法的识别率分别达到93.5%和96.4%。在CK+数据集上,与现有算法的识别率提高了4%。