基于混合SVM和AdaBoost分类面部表情识别人机交互.docVIP

基于混合SVM和AdaBoost分类面部表情识别人机交互 　　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2013 0引言 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。如何建立分类能力较强且计算复杂度较低的分类器是人脸表情识别中的关键环节。2010年，李盛文等人[1]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，取得一定的识别效果。 文献[2]采取多级多类的分类方法，增加样本数量，提高面部表情的识别率。上述2种分类方法，把每一类样本作为一个初始分类器，要想得到理想的分类效果，都需要较强的约束或复杂的迭代，复杂度较高。 本文首先采用Gabor滤波器提取表情特征，然后用二维主元分析的方法进行降维，最后采用AdaBoost和SVM决策融合，实现分类器的二次加强，有效地提高了对人脸表情的分类能力和效率。其中，为了增强面部表情的分类效果，把SVM作为AdaBoost的初始分类器，由于SVM已经具有一定的分类能力，两者结合后可以大大减少迭代次数，降低计算的复杂度，具有较好的识别率。 1人脸表情识别系统 人脸表情识别系统主要包括3个部分：预处理、特征提取和分类器，其结构框图如图1所示。 图1人脸表情识别系统的结构框图1.1人脸表情识别预处理 Haar检测是人脸检测中常用的方法，但采集到的图像总会存在图片尺度不确定和有较多冗余信息等缺陷[3]，这些都会影响到表情识别的准确性和鲁棒性。为了保留有用信息，抑制和分隔外界干扰，对图像进行预处理就显得特别重要。本文所采用的预处理方法包括图像灰度化、几何归一化和图像滤波。 1.2人脸表情的特征提取 Gabor变换[4]不仅具有提取表情图像局部细微变化的能力，而且对光照变化不敏感，且能容忍一定程度的图像旋转和变形，具有较好的鲁棒性。 二维Gabor小波核函数的形式可以表示为ψj（kj）=‖kj‖2σ2exp-‖kj‖2‖z‖22σ2 exp（ikjz）-exp-σ22（1）式中，kj=kjx kjy=kvcosφμ kvsinφμ，这里取σ=2π，kmax=π/2，f=2。在表情提取方面，本文选取5个频率（v=0，1，…，4）、8个方向（μ=0，1，…，7）的40个Gabor核函数。使用这些核函数与表情图像进行卷积得到：Feaj（x，y）=‖（x，y）ψj（kj）‖（2）式（2）中：I（x，y）表示点（x，y）对应的像素值。Feaj（x，y）为对应Gabor核在方向u和尺度v上的卷积结果。因此，图像I（x，y）经过Gabor小波变换后的Gabor特征集合可以表示为Fμ，v={Feaj（x，y）：μ∈{0，1，…，7}， v∈{0，1，…，4}，j=v+5μ}。 （3）1.3特征降维 一幅32×32大小的表情图像I（x，y）的Gabor小波特征数据高达40 960维（32×32×40），后续处理非常困难。针对特征数据高维的问题，本文采用2DPCA来降低维数。其原理是利用矢量子空间，消除数据间的冗余，以最少的数据来描述原始信息。相比于PCA，2DPCA是直接由矩阵构造训练样本的总体散步矩阵（协方差），然后计算其特征值和特征向量[5]。该方法简述如下： 设人脸灰度图像的分辨率为m×n，则第i个训练样本表示为m×n的矩阵Ai（i=1，2，…，M），M是训练样本的个数，训练样本的均值表示为A=1M∑Mi=1Ai。训练样本的总体散布矩阵可用下面的公式进行估计，Sx=1M∑Mi=1（Ai-A）T（Ai-A）（4）然后计算Sx的特征值和特征向量，一般选取前k个较大的特征值（λ1≥λ2≥…≥λk）所对应的特征向量（ξ1，ξ2，…，ξk）作为最佳投影轴。即：X=[ξ1，ξ2，…，ξk]。则样本系数矩阵Ai的特征矩阵Yi ∈Rm×k 可表示为Yi=AiX。（5）2DPCA较传统的PCA有很大的优