论文部分内容阅读
人脸表情识别是计算机科学的热点领域,作为一门交叉学科,人脸表情识别的进步将直接影响到心理学、人工智能、数据挖掘、生命科学等多门学科的发展。随着科学的进步,它在研究、医疗、商业等领域的作用将会给人类的生活带来巨大的影响。目前有关人脸表情识别的研究还处于理论阶段,尤其在特征提取和表情分类方面还有许多地方需要改进才能适应实际应用。本文从特征提取和分类两个方面入手,归纳总结了当前人脸表情识别的相关方法。在特征提取和分类上,分别以纹理特征和分类器集成为研究重点,针对LBP(Local Binary Pattern)和AdaBoost的不足分别提出了改进方法。本文的主要工作如下：(1)针对特征的提取,提出了直方图加权HCBP(Haar-like Centralized Binary Pattern)的特征提取算法。CBP(Centralized Binary Pattern)是LBP的改进算法,克服了LBP在维数和特征描述方面的缺点,但与LBP相同,CBP也是采用像素点间的直接操作,在对像素变化的表达上存在不足。Haar-like是一种对像素区域操作的特征,能够有效反映像素的变化,本文将Haar-like特征与CBP相结合,并对图像分块,利用信息熵加权,区别不同人脸区域对表情的贡献程度,提高了特征的表征能力。(2)针对特征的分类,对传统AdaBoost做了改进,提出了基于特征选择的Adaboost分类器集成算法。传统AdaBoost用于二分类,本文对Adaboost的权值选择进行了改进,以适应多分类要求；在AdaBoost每轮迭代中利用PCA(Primary Component Analysis)进行特征选择与排序,生成不同的随机子空间,克服了AdaBoost基分类器差异性随迭代次数增加而降低的缺点,同时降低了特征的维数；修改了投票方式,依据不同基分类器对每种表情的识别效果,给基分类器动态加权,增强了AdaBoost基分类器集成的效果。通过实验证明,本文算法在识别效果和时间效率上,都取得了较好的效果。