附录B　人脸和表情识别 图像工程(第2版)下册图像理解教学课件.ppt

附录B　人脸和表情识别 B.1　生物特征识别 B.1　生物特征识别 B.2　人脸检测定位 B.2.1　人脸检测定位的基本方法 B.2.1　人脸检测定位的基本方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.2.2　基于Hausdorff距离的人脸检测方法 B.3　脸部器官提取和跟踪 B.3.1　眼睛几何模型及确定 B.3.1　眼睛几何模型及确定 B.3.1　眼睛几何模型及确定 B.3.1　眼睛几何模型及确定 B.3.2　眨眼过程中的眼睛轮廓跟踪 B.3.2　眨眼过程中的眼睛轮廓跟踪 B.3.2　眨眼过程中的眼睛轮廓跟踪 B.3.2　眨眼过程中的眼睛轮廓跟踪 B.4　表情识别 B.4.1　表情识别和步骤 B.4.1　表情识别和步骤 B.4.1　表情识别和步骤 B.4.2　表情特征提取 B.4.2　表情特征提取 B.4.2　表情特征提取 B.4.2　表情特征提取 B.4.3　基于Gabor变换的表情特征提取 B.4.3　基于Gabor变换的表情特征提取 B.4.4　表情分类 B.4.4　表情分类 B.4.4　表情分类 B.5　人脸识别 B.5.1　边缘本征矢量加权的Hausdorff距离 B.5.2　非特定表情人脸识别 联 系 信 息 表情特征提取的三个步骤及方法 双线性分解， 高阶奇异值分解 PCA，LDA， ICA，CDA， MPPCA， 排序PCA+LDA 几何特征：基准点 外貌特征：Gabor， HLAC，LBP 混合特征：AAM 序列特征：光流， 运动单元 特征分解 特征降维和提取 原始特征获取 特征降维和提取的方法 主元分析（PCA）法 提取了最有代表性的特征 可以有效地消除冗余，降低维数 但没有考虑不同类别数据之间的区分性 线性判别分析（LDA）法 通过最大化数据的类间离散度和最小化类内 离散度来选择合适的投影方向 侧重于寻找具有最大分辨力的方向 特征分解的方法 人脸图象包含了丰富的信息 不同的识别任务所利用的信息各不相同 人脸检测寻找的是人脸图象共有的一致性 人脸识别需要利用表示人脸个体差异的信息 表情识别需要表示各种表情之间差异的信息 把人脸表情识别中不同的因素， 如表情因素和个体因素分离开来 1、 Gabor变换 核函数 取n = 0, 1, 2，q=0, π/6, 2π/6, 3π/6, 4π/6, 5π/6，则可得到由3 ? 6个Gabor变换滤波器组用于提取表情特征 与表情图象进行卷积 2、 Gabor变换系数和分级直方图相结合 Gabor滤波器在分析局部纹理变化方面的能 力非常强 直方图是一种常用的表示图象全局特性的特 征 对图象进行逐级分块，并在分块后对每一个 块区域内的Gabor系数计算其直方图分布， 从而将Gabor系数和直方图统计的方法在每 个块区域结合起来 1、 表情分类方法 表情分类指定义一组类别，并设计相应的分类机制对表情进行识别，归入相应类别 是否利用时间信息 (1) 空间分析方法 (2) 空时分析方法 2、 表情分类系统比较 对每一种系统列出了其采用的特征提取方法、分类方法和识别目标（AU或基本表情），还列出了所用数据类型（静态、序列或序列中抽取若干帧）、数据量、以及训练/测试比等实验的客观条件。测试结果列出识别率 表情分类（FER）系统在Cohn-Kanade库和JAFFE库上得到的一些结果 3、 讨论 性能主要受到以下几个方面的限制： (1) 特征提取方法仍有不足 (2) 某些表情相对易于识别 (3) 大多数都针对特定条件下采集的图像或者图像序列 几个热点： (1) 将多种特征结合 (2) 特征降维、提取和选择 (3) 将心理学和生物学知识与机器学习的方法相结合 (4) 对混和表情、表情强度的研究 人脸表情识别和人脸识别有着非常密切的关系 B.5.1 边缘本征矢量加权的 Hausdorff距离 B.5.2 非特定表情人脸识别　 人脸的不同区域在人脸识别中具有不同的重要性，因此需要对不同的人脸区域给以加权 权值函数可以建立在灰度域的基础上，也可以建