论文部分内容阅读
人脸表情是传达感情最直接的方式,随着科学技术的发展,人脸表情识别被广泛应用于各个领域,贝叶斯网络(Bayesian Network,BN)以其处理复杂性和不确定性问题的优势而备受关注。针对人脸表情识别过程比较复杂且具有不确定性的问题,提出了一种基于贝叶斯网络的人脸表情识别算法。在对人脸表情特征分析、研究的基础上,利用梯度方向直方图(Histogram of Oriented Gradient,HOG)算法和约束局部模型(Constrained Local Model,CLM)算法进行特征提取,并利用支持向量机(Support Vector Machine,SVM)进行分类得到面部活动单元(Action Unit,AU)数据集。针对系统建模时,获取到的样本量有限的问题,提出了一种将小数据集与定性专家经验有机结合,借助凸优化求解实现BN参数学习(Convex optimization based on small data with expert knowledge,CSDE)的算法,并将其应用到人脸表情识别中。本文的主要研究内容如下:(1)研究了表征人脸表情的面部活动单元(AU)数据集的获取过程。首先分析了人脸表情的影响因素,利用CLM算法进行特征点定位,从而获取表情图像的几何特征,用来表征面部肌肉运动带来的面部器官的形状变化;然后利用HOG算法提取HOG特征并利用PCA进行降维,用来表征人脸的局部纹理细微的变化;最后将二者进行特征融合和归一化并利用SVM进行分类得到AU样本数据集。(2)针对人脸表情识别过程中BN结构建模问题,提出了一种基于面部活动单元(AU)的人脸表情识别BN结构模型。该结构模型根据已知的AU样本数据集,以及对人脸面部表情与AU关系的分析,确定出BN节点个数;结合领域专家知识确定出人脸表情识别BN结构模型所需的有向边。(3)针对小数据集条件下的BN参数学习方法学习精度不高的问题,提出了一种基于小数据集和专家经验的凸优化(CSDE)参数学习方法。该算法在BN结构已知的情况下,将定性专家经验转化为BN条件概率之间的不等式约束集合;随后引入凸优化求解方法完成BN模型参数的估算。仿真实验结果表明:该算法既不会过度依赖专家经验,又充分利用了专家经验的不等式约束条件,在一定程度上弥补了数据不足对参数学习精度的影响,进而完成小数据集条件下的BN建模。(4)针对有限数据集下人脸表情识别精度较低的问题,提出了一种基于CSDE参数学习算法的人脸表情识别算法。根据获取到的AU样本数据集,结合人脸表情与AU之间的关系分析,构建人脸表情BN结构模型,利用CSDE算法进行参数学习完成BN建模,最后利用联合树推理算法进行推理,得到相应的面部表情属性。在Cohn-Kanade表情数据库上的实验结果表明:CSDE算法在人脸表情识别的应用中具有较高的识别率,从而可以实现有限数据集条件下的人脸表情识别。