论文部分内容阅读
人脸表情识别是利用计算机技术,将人脸表情特征与预先从图像库中提取的特征进行综合比较,以达到人脸表情识别的技术。该技术在模式识别、智能控制等领域都有着很高的社会价值和发展前景。人脸表情识别的研究内容主要包括人脸表情特征提取、特征降维和特征分类等。其中,特征提取和特征降维是保证算法识别率和实时性的关键技术。本文先针对静态图像中的人脸表情识别算法进行研究,然后对离散余弦变换(DCT,Discrete Cosine Transform)和二维主元分析(2DPCA,Two-Dimensional Principal Component Analysis)特征降维算法进行了比较分析。主要工作归纳如下:第一,对人脸表情特征的自动提取和表情特征维数过大问题的研究。首先采用主动形状模型(ASM,Active Shape Model)进行人脸表情特征点提取;然后给出了相应特征点基于Gabor小波的特征向量的表示;最后用主元分析(PCA,Principal Component Analysis)结合线性判别分析(LDA,Linear DiscriminantAnalysis)来实现特征降维和人脸表情识别,并给出了仿真结果。该方法提高了人睑表情特征提取的自动化程度,有效地降低了人脸表情特征维数,并且具有较高的人脸表情识别率。第二,对人脸特征的有效降维进行研究。针对图像压缩和图像特征降维原理的相似性,本文将图像压缩领域的经典算法DCT应用到人脸图像的特征降维。首先阐述了DCT用于特征降维的可行性,阐明了DCT图像降维的基本原理;然后介绍了2DPCA算法,分析比较了DCT与2DPCA算法的区别;最后在人脸表情图像上进行的比较实验结果验证了DCT方法的有效性。