论文部分内容阅读
人脸表情识别是一个涉及到模式识别、图像处理、人工智能等多学科的综合课题。所谓人脸表情识别是让计算机对人脸的表情信息进行特征提取分析,结合人类所具有的表情信息方面的先验知识使它进行自我思考、推理以及判断,进而去理解人脸表情蕴含的信息,实现人机之间智能化的交互。它在许多领域都有着潜在的应用价值,包括机器人技术、图像理解、视频检索、合成脸部动画、心理学研究、虚拟现实技术等。对人脸表情识别的研究主要包括三个部分：人脸检测、表情特征提取以及表情分类。目前在这三个方面计算机视觉研究者们进行了很多研究,但这三个方面仍有问题未得到很好的解决,包括人脸误检、表情识别的鲁棒等。本文分析了目前国内外有关人脸表情识别的理论和技术,着重对人脸检测、表情特征提取以及表情分类这三个环节进行了深入研究,其主要研究内容和成果如下：1.人脸检测方面本文研究了Viola提出的基于Harr-like特征、积分图、AdaBoost.M算法、级联模式的人脸检测方法和人脸模板匹配技术,分析了Viola人脸检测方法产生人脸误检的原因,提出了把Viola人脸检测方法和人脸模板匹配技术相结合来减少人脸误检率。本文首先采用Viola人脸检测方法搜寻可疑人脸区域,在此基础上,结合人脸模板匹配技术,对找到的可疑人脸区域进行验证以排除非人脸区域,获得真正的人脸区域。2.特征提取方面本文研究了表情特征的分布和HMAX模型,并根据表情特征的分布特性对HMAX模型的特征块模板抽取方法做了改进,最后使用改进的HMAX模型进行表情特征的提取。所提取的表情HMAX特征与其他通过图像处理得到的特征相比,具有更好的不变性和区分性。3.表情分类方面本文设计了基于AdaBoost.M2学习算法和BP神经网络的表情识别分类器。用BP神经网络作为弱分类器,利用AdaBoost.M2学习算法构造一个强分类器作为表情识别的分类器。4.在上述理论研究的基础之上,对人脸检测、表情特征提取以及表情分类进行了相关实验,证明了本文提出的方案的正确性。