论文部分内容阅读
人工智能是智能控制中的一个全新的、具有挑战性的领域。随着机器人技术的逐渐成熟,在越来越多的领域里用到了机器人,如:医疗器械、家庭、运动、服务等。这些机器人必须要具有智能化、自动化和交互性等特点,而人工情感使之成为可能。情感识别是人工隋感研究中的一项重要任务。只有机器人能够分辨出人类的情感,它们才可能会实现情感智能。人类情感识别特征包括声音、姿态、人脸表情、生理信号(脉搏信号、血压、肺活量等)等。其中的人脸表情识别是一种有效且可行的特征。人脸表情识别系统中的算法主要有图像处理算法、特征提取算法和分类算法。文中主要讨论的是特征提取算法。现有的表情识别算法有很多,包括主分量分析法(PCA)、独立分量分析法(ICA)、Fisher线性判别法(FLD)和本地特征分析法(LFA)等。近来,很多新的算法被应用在表情识别当中来,如:人工神经网络、支持向量机、小波分析、隐马尔可夫链模型和光流等。这些方法中很多能够达到较高的识别率,但识别过程却比较复杂。本文的目的就是要寻求更适合于人脸表情识别且实现相对简单的特征提取算法来提高识别率。文中提出了两种高效的人脸表情识别算法。一种基于离散小波变换和FLD,另一种基于小波能量变换和FLD。第一种方法中,将二维离散小波变换(2D-DWT)得到的小波特征加入到Fisher线性判别法(FLD)中,采用FLD之前,首先对表情图片进行二维离散小波变换提取小波系数,选取部分小波系数作为特征。为了不影响面部表情的识别率,本文不仅保留了小波分解后的低频成分,还通过设定阈值保留了部分高频信息。最后利用支持向量机(SVM)进行识别。通过在日本JAFFE人脸表情库的七种表情(生气、厌恶、恐惧、高兴、中性、悲伤、惊讶)上进行实验,验证了该方法能够在表情识别中取得较高的识别率并花费较少的时间。人脸表情信息主要体现在眉毛、眼睛、嘴的变化上,其次体现在这些变化之间的相互关系上。从图像处理的角度看,这些改变主要由图像边缘的变化引起的。所以获得表情图像的纹理信息对表情识别是有帮助的。小波变换得到的高频信息恰好可以反应图像的纹理,所以在第二种算法中我们引入了小波能量特征来描述人脸图像纹理并用在人脸表情识别中。除此之外,FLD已经被证明是一种有效的表情识别算法,为了达到更好的识别效果,我们将小波能量特征与FLD相结合。实验证明这种方法是非常有效的。