多特征融合人脸表情识别.pdfVIP

第33卷 第2期 肇 庆 学 院 学 报 V01．33．No．2 2012年 3月 JOUgNALOFZHAOQING UNIVERSITY M ar．2012 多特征融合的人脸表情识别 李春英 ，汤志康2，黄春艳 ，颜春萍 ，张仙玉 ，陈 (1．肇庆学院 计算机学院，广东 肇庆 526061；2．广东技术师范学院 计算机学院，广东 广州 摘 要 ：提 出了一种 多特征融合 的表情识剐模型：首先，对预处理后 的图像提取2种局部描述算子Gabor特征 和多元中心化二值模式特征 。根据对表情的贡献程度划分表情子区域；其次，通过主成份分析法对表情子区域 的特征 向量进行降堆 ，并构建随机子空间训练分类器 ；最后 ，利用Bagging技术提高多分类器 的分类性能，并采用 加权投票的融合规则进行决策判别．人脸表情库 的实验结果表 明。此方法有很好 的鲁棒性和识别率． 关键词 ：表情识别；局部特征；多特征融合 中图分类号：TP39 文献标志码 ：A 文章编号：1009—8445(2012)02—0019—06 人脸表情识别就是对面部表情信息进行特征提取并加以分析．目前表情识别已成为人机交互、情感 计算、机器视觉、图像处理与模式识别等领域的重要研究课题．表情识别模型研究的重点主要集中在表 情特征提取和特征分类2方面．国内外学者在此2方面已做了大量的研究 ，表情特征提取主要分为整体特 征提取 【卜21和局部特征提取3【一S1．其中，整体特征提取主要集中在面部的整体变化 ，并没有考虑面部肌肉 的纹理、皱褶等局部变化所蕴含的信息 ；局部特征可 以充分考虑不同尺度和方 向的信息，不过特征 向量 维数过大、算法实时性较差．特征分类方法分为基于贝叶斯网络的分类方法[61和基于距离度量的分类方 法．前者缺点在于需要属性之间相互独立的假设 ，因此在一定程度上影响了算法的识别率 ；后者是通过 5 计算样本之间的距离来实现表情分类 ，代表算法有近邻法[41 和SVM算法 7【]．近邻法算法的存储量和计 ● 岚 晰 算量都 比较大 ，而SVM算法是二类分类算法 ，在多类分类和大规模样本的运算上 ，还存在着一定的缺 陷．基于 以上分析，我们提出了一种表情识别模型：首先 ，将人脸 图像预处理后 ，融合2种人脸表情局部 特征描述算子(Gabor／J~波特征和多元 中心化二值模式 (MCBP)特征)；然后通过主成份分析法 (pcA)对 各表情子区域的特征 向量进行降维处理 ，避免特征 向量维数过大的缺点 ，同时构建PCA随机子空间训 练分类器，分类器采用文献 [8】中心最近邻分类器 (CNN)，通过计算 已标记点与该类 中心的距离来度量 样本特征的表情属性 ；最后 ，利用组合分类器实现对表情特征的精确分类． 1 表情 图像预处理 为了更好的提取局部特征，原始图像的预处理是一个重要且必须的过程 ，目的是统一图像的灰度 值及尺寸，输 出纯表情区域 ，为表情特征提取奠定基础．预处理包括图像的归一化和表情区域的分割处 理：前者包括 图像的尺度归一化和灰度归一化，后者指从 图像 中分割出与表情最相关的区域 ．本文预处 理的过程包括如下几个步骤 ：1)将人脸表情图像大小变为128x128像素，两眼之间的距离72像素 ；2)图 像灰度的归一化 ，每像素是256灰度级 ；3)图像按照空间位置划分成64个大小为16x16且互不重叠的网 格；4)根据人脸某些部位的信息对表1庸识别的贡献度 (如眼睛、嘴部，被赋予较大的权值，而其他部位的 收稿 日期：2012-01—09 作者简介：孛春英 (1978-)。女 ，黑龙 江齐齐哈 尔人 。肇庆 学院计算机学院讲师 。硕士． 万方数据 肇庆学院学报 第33卷 贡献较小则被赋予较小的权值)分成13个表情子区域．表情 图像预处理的流程如图1所示 ，其 中表情贡献 度按颜色深浅权值之比为1：2：4．赋予不同权值的目的是在最终分类决策的时候采用加权投票法进行融