论文部分内容阅读
表情作为人类情感表达最直接最基本的交流方式,在非语言交流当中是一种十分有效的表达方式。表情不光可以直接而又准确的呈现个人的思绪情感,同时可以根据对方的表情来判断他人的内心情感状态。因此,表情也成为最丰富的肢体语言之一参与人类的各类活动。如果计算机和智能机器人能够像人类一样具有情感理解与表达的能力,这将从根本上将人机交互的水平提高到一个更高的层次,从而使计算机更好地为人类服务。随着近些年来对人脸检测、跟踪及人脸识别技术研究的不断深入完善,人脸表情识别的研究已经逐渐成为模式识别与人工智能领域的研究热点。当前对于表情识别技术尚在不断的研究当中,还有许多亟待解决的问题需要进一步深入研究。比如如何精确的提取面部的关键表情特征;如何最大限度的降低表情特征中的高维冗余信息;如何精确的对表情进行估计及其分类;以及如何进行多学科融合对表情进行多点分析等等。本文系统的研究了人脸表情识别技术在国内外的研究现状及在应用当中存在的一些问题,并对其中一些关键问题提出了解决方法,主要研究工作包括:(1)在人脸表情预处理当中,对于表情的获取及定位,提出了基于双阈值的级联分类器的加速算法进行人脸检测,并应用AdaBoost算法进行人眼定位。这很大的提高了后期对表情进行识别分类的精度,在表情预处理阶段打下了一个很好的基础。(2)以人脸表情的关键特征的贡献率为基础,提取了对表情识别最为关键的Gabor小波敏感特征信息,在减小后期处理冗余度的同时选择具有最大信息量的表情特征,提高各类表情的区分度。(3)结合上述关键表情特征,提出了基于局部敏感信息与拉普拉斯最大化判别分析(LMDA)的二次嵌入流形人脸表情识别算法,对提取的局部敏感信息进行PCA初次降维,并对初次降维的类间特征进行自适应加权,在此基础上建立基于流形思想的拉普拉斯类间类内散度矩阵,通过最大化该矩阵获得投影矩阵,最后通过一定的距离准则在各种表情识别库中进行表情分类验证。实验结果最终证明该算法具有良好的识别效果和较强的鲁棒性。