基于混合SVM与AdaBoost分类的面部表情识别的人机交互.pdfVIP

第40卷第3期 数 字 通 信 Vol40，No．3 2013年 6月 25日 DigitalCommunication Jun．25 2013 17 DOI：10．3969／j．issn．1001—3824．2013．03．006 基于混合 SVM 与 AdaBoost分类的 面部表情识别的人机交互 崔 叶，王 艳 (重庆邮电大学 重庆市高校光纤通信技术重点实验室，重庆400065) 摘 要：基于二维主元分析(2DPCA)方法提出一种混合支持向量机 (SVM)与AdaBoost算法的面部表情分类方法。 首先，该方法对灰度图像进行人脸检测，通过小波变换和二维主元分析得到特征数据，有效地减少了计算量；然后 ， 采用SVM方法对特征数据进行分类学习，得到初始分类器；最后，通过AdaBoost算法对SVM分类结果进行进一步 加强，形成强分类器，提升了分类能力，确保了表情识别工作 ，并实现基于面部表情识别的智能轮椅的人机交互的 鲁棒性。实验结果表明：该方法不仅有效地提高了样本的分类能力，而且降低了计算的复杂度，在智能轮椅人机交 互实验中的平均识别率达到92．5％。 关键词：人脸表情识别；支持向量机；AdaBoost训练法 中国分类号：TP391 文献标识码：A 文章编号：1005—3824(2013)03-0017-04 0 引 言 特征提取和分类器，其结构框图如图 所示。 i 预处理 人脸表情识别是人机交互的重要研究内容，在 过去几十年得到广泛研究，并且成为一个研究热点。 … … … … … … … ：一一… … 一 I 如何建立分类能力较强且计算复杂度较低的分类器 1：V一M+AdaBoo虬ll厂 特征提．取厂和降维—] ill ． 是人脸表情识别中的关键环节。2010年，李盛文等 LI识别结果 }5龛 FL—uII‘ H 滤I~a波Do器r 『 — — — l 强分类器 ． ．— 兰—_J L竺竺竺 _J： 人 ¨提出利用AdaBoost方法，通过若干次迭代表情 样本，得到一组分类能力较强的分类器，取得一定的 图1 人脸表情识别系统的结构框图 识别效果。文献[2]采取多级多类的分类方法，增加 1．1 人脸表情识别预处理 样本数量，提高面部表情的识别率。上述2种分类 Haar检测是人脸检测中常用的方法，但采集到 方法，把每一类样本作为一个初始分类器，要想得到 的图像总会存在图片尺度不确定和有较多冗余信息 理想的分类效果，都需要较强的约束或复杂的迭代， 等缺陷 ，这些都会影响到表情识别的准确性和鲁 复杂度较高。 棒性。为了保留有用信息，抑制和分隔外界干扰，对 本文首先采用 Gabor滤波器提取表情特征 ，然 图像进行预处理就显得特别重要。本文所采用的预 后用二维主元分析的方法进行降维，最后采用 Ada— 处理方法包括图像灰度化、几何归一化和图像滤波。 Boost和SVM决策融合，实现分类器的二次加强，有 1．2 人脸表情的特征提取 效地提高了对人脸表情的分类能力和效率。其中， Gabor变换 不仅具有提取表情图像局部细微