双层次分类方法下的人脸表情识别.pdfVIP

94 榻建电脑 2010 年第 10 期 双层次分类方法下的人脸表情识别 李烈熊 1，苏两河 2 (1.福建交通职业技术学院福建福州 350∞7 2. 福建电力职3k技术学院福建泉州 3620∞) {捕 薯] : 目前，人脸表情的整体识别卒普遍不高，严紫制约了它的实际且应用。为了解决这一问题，提 出了一种新的人脸表情识别方法。该方法分为粗分类层次和细分类层次，在粗分类层次，通过 SVD 方法提 取在情特征信息，并结合 HMM 模型粗识别;在细分是层次，采用 Gabor 小波+PCA+LDA 的方法提取特 征，并结合 HMM 模型细识别。理论分析和实验结果在明，该方法与其它方法相比具有史好的整体泛化性 能和更高的整体识别率。 [关键词] :人脸表情;双层次分类;SVD; HMM; Gabor 小波 1 ~J 富 人脸表情识别在人机交互、机根视觉、人脸识别、 行为科学和精神分析等方面有着广眨的应用，成为了 研究热点I叫。目前，人脸表情识别一般通过一次分类来 完成。 Zhao 等人(1)采用 Gabor 小被+LBP(lρcal 肌nary Pattern)特征提取和最近邻域分类方法，获得了 63.51% 的整体识别率;Tang 等人[2]采用组合距离方法，挟得 了 88%的整体识别事;陈捕俄[3]利用 AAM(Active Ap- pearance Models)模型，结合租糙集理论，用 SVM(Sup- po民 Vector Machines)作为分类方法，获得了 83.70%的 整体识别率。该捷方法结构简单，待分类的袭情数目较 多，导致整体识别率较低。而且在对大多撤实验结果和 实验设置条件的研究中发现i叫，高兴与惊讶 2 种基本 表情识别事比较高，其余 4 种基本表情+中性表情(共 5 种褒情)识别事相对较低;不包含中性表情的识别率明 显商于包含的;她用的人脸剧像表情夸张租庞大的识 别率明践偏离，如文献[呵。 因 1 袭情分类结构 本文针对目前…次分类方法存在的问题和大多数 实睡锚果的数据，提出了…种双层次分捷方法。该方法 在粗分类层次，通过 SVD (Singular Value Decomposi- tion)方法提取人脸表情特征，然脂结合 SVD 方法下建 的 7 个 HMM(Hidden Markov Model)表情模型分棠， 首先判晰出待识别表情是否属于识别率高的高兴与惊 讶表情，如果是，那么就结束分类，输出褒情识别结果; 反之，进入细分类屡次，通过更加有效的 Gabor 小波+ PCA+LDA (Principal Components Analysis+Linear Dis- criminant Analysis)表情特征提取方法，然后结合在新 特征提取方怯下新建的 5 个 HMM 模型进行表情最终 识别。本文表情分类结构如回 l 所示。 2、人脸亵情相分提层次 采用 SVD 方法提取人脸表情特征和 HMM 模现分 类。 2.1 人脸亵情特征提取 炬阵的 SVD[1J是一种有效的代数特征抽取方法。由 于高兴句惊讶表情特征信息突出，识别率较高，利用 SVD 方法即可简单快捷提取出作为制分类层次下的特 征信息。因此，本文采用 SVD 方法来提取粗分类层次 的人脸表情特征。 (1)人脸表惰的 SVD 特征提取 …幅人脸表情图像可由姐阵 A_来代表，那么对 A 进行奇异值分解为 A叫!DVT (1) 其中U和vJ是两个1巨变姐阵，日是一个对角姐阵，D= diag(，σ1叫，…)。如果A只有k个非零奇异值，则 A血主JσjUjvt 古 (2) 其中Uj和Vj是u和V的各个列。记 Snxl 盟 (σl…，σk ， O ， O)T (3) 称为图像姐阵A的奇鼻值向量。 对于图像实姬阵A，它的奇异值分解是唯一的，所 以在σI~σ2==自… B叫的限制下，人脸表情罔像A对应于 …个唯一的奇异值特征向量，并利用这个特征向最作 为粗分樊腾次的表情特征。 2.2 粗分类腾次下的人脸表情HMM分类 HMM(8.9J是一种处理时序变化信号的概事模型，它 通过对大量样本的训练学均得到，对信号变化的适应 能力很强，在谐音识别中有着广泛的应用。 (1) HMM人脸表情状态 对于iE回人脸费情图像，可以认为额头、眼睛、鼻 子、嘴巴租下巴这五个显著特征区域隐含着5个状 2010 年第 10 期 福建电脑 95 态，并对应到HMM的状态，通过观察序列来对官进行 事，如果P(OIλJ ， i e ρA…，刀在pρlλJ(l=1.2. …，η中最 估计。因此，人脸表情的HMM模型状态结构及非等转 大，即 p(oIàr)需咛xp(ol..l，) (6) 移短阵概率aij如回2所示。 吗a ~ a a咽 额头 眼睛 鼻子 嘴巴 图2人脸褒惰的HMM模型