论文部分内容阅读
表情含有丰富的人体行为信息,是情感最主要的载体。本文以人脸表情为主要研究对象,以三维人脸表情识别为主要研究目的,对表情特征提取算法和不同特征的融合等问题进行较深入的研究。本文主要工作包括:(1)为了有效提取面部表情特征,在LBP(局部二值模式)的基础上,本文提出了一种LTBP(局部阈值二值模式)特征,与传统LBP算子只比较周围像素与中心像素大小的思路不同,所提算法计算邻域像素与中心像素的人脸深度转换而成的灰度值标准差并将其作为阈值进行二值化操作。LTBP特征相对比与LBP特征,对灰度幅值变化剧烈程度不同的局部区域可以进行更细致的描述和更有效的区分。得到LTBP特征用于表示局部区域的灰度幅值变化之后,本文选择HOG(方向梯度直方图)特征来描述人脸局部的方向和梯度特征。(2)参考典型相关分析理论,本文提出了一种基于特征向量相关性判据的特征融合算法,所提算法采用两组特征向量之间的相关性作为判据,计算LTBP特征和HOG特征对应的典型投影矢量,并将LTBP和HOG特征向量进行变换,得到两组特征向量的融合特征,用于后续分类识别阶段。(3)在实验仿真阶段,本文采用了国际主流的三维人脸表情数据库BU-3DFE,并在处理三维人脸表情数据时,基于不同的人脸部大小不同的情况,区别于目前通用的以鼻尖为圆心,采用固定半径画圆来裁剪人脸的做法,提出一种新的剪裁人脸方式,即以左右内外眼角点为基础,计算左右眼的眼中心点位置,根据两眼中心点的间距来进行面部裁剪。这样保证裁剪出来的面部五官比例大致相同,尤其是眼睛部分一定会位于裁剪好之后的人脸1/4高处。接着按照本文的算法,对处理好的深度图做特征变换,建立描述两组特征向量之间相关性的判据准则函数,以此得到LTBP和HOG的融合特征,最后采用KNN(最近邻分类)或SVM(支持向量机)方法进行分类识别。在BU-3DFE人脸表情数据库上的实验表明,该方法能对六种基本表情进行识别,有着较高的识别率。