论文部分内容阅读
本文对人脸表情识别系统中的分类模块进行了研究。实现了基于静态图像和视频序列场景中的人脸表情识别算法。通过对特征数据的处理分析,训练得出每个人脸肌肉运动单元(Action Unit,AU)的分类器,根据运动单元的分析结果,结合表情事件集的预定义,最终得出表情分类结果。该系统将运动单元的分类和解释模块分开,使得其应用范围更为广泛,对于场景的变化要求能够灵活便捷的满足。
本文首先介绍了人脸表情识别系统的应用背景和研究现状。接着介绍了几种常见的分类方法并指出了各自的优缺点,从统计学习理论的角度引出了本文运动单元分类模块所选用的分类算法——支持向量机(Support Vector Machine,SVM)算法。结合SVM算法的理论介绍,详细阐述了该算法在AU分类模块中的相关应用。通过对数据进行相关性分析,利用主成分分析算法进行数据降维,从而减轻计算压力。同时,数据的归一化处理消除了奇异样本对分类结果的不利影响。SVM分类器的核函数选择部分,我们给出了传统的径向基核函数以及线性核函数结合径向基核函数两种不同的核函数选择方式所对应的F1分数,后者在时间性能上具有较大的优势。最后,我们给出了AU到表情事件集的映射关系,结合概率模型,构成AU解释模块。经过系统综合测试,AU的识别率能够达到目前该领域较好的水平,我们将测试结果与FERA(Facial ExpressionRecognition and Analysis)大赛提供的参考方案的结果进行了比较分析,从平均意义上看,无论是在精确度、F1分数还是在ROC(Receiver Operating Characteristic)曲线面积等衡量准则下,我们的系统都具有较好的性能。