论文部分内容阅读
计算机视觉在很多领域已经非常成熟,比如人脸识别,已经出现了很多成熟的人脸识别系统。表情识别和人脸识别之间既相似又有区别。它们都是针对人脸的模式识别问题,都受到姿态,光照的影响。不同之处在于人脸识别要求对同一个人,在不同表情下能给出同一识别结果,而表情识别则是区分不同人的同一种表情。很多表情识别采用的特征也都是从人脸识别那里借鉴过来的。面部表情识别一直以来都是计算机视觉领域的重要课题,但一直以来能让人眼前一亮的成果却很少。尽管近年来深度学习已经成为了人工智能各领域的宠儿,但鲜有利用深度学习进行表情识别的高水平论文出现,其中最主要的一个障碍来源于训练样本的匮乏。本文主要研究的内容包含以下几点:(1)人脸特征点检测:人脸特征点指脸部五官的各个重要角点以及轮廓点,特征点检测也被称为人脸对齐,是表情识别的一项前期工作,很多表情特征都是在此基础上提取出来的。本文研究了当前的一些主流特征点检测算法,并实现了一种基于线性回归的快速检测算法3000FPS。本文实现的算法可以进行实时人脸特征点检测。(2)人脸姿态估计:特征点坐标确定了以后,可以在此基础上做很多工作,估计人脸的姿态是其中的一个应用,本文利用二维特征点进行人脸姿态的粗略估计,取得了良好的效果。(3)表情识别:表情识别与其它模式识别课题一样,都可以分为特征设计和分类器训练两部分。本文设计了两种表情特征,一种是基于中性模板的几何形变特征,另一种是对人脸网格提取的梯度直方图纹理特征。几何形变特征利用特征点检测定位人脸特征点,然后与中性模板比对从而确定特征点的运动轨迹。皮肤纹理特征是通过对人脸网格化之后,统计各网格内的梯度方向直方图。形变特征可以很好应对特征点形变较大的表情,且对光照鲁棒;纹理特征擅于应对小幅度的表情,且对特征点定位的精度要求较低。本文还提出了一种多个表情识别模型的融合方法,这种融合方法可以使模型之间取长补短,使最终的融合模型更加鲁棒。本文将通过多个实验来验证特征点检测算法和表情识别算法的性能。