基于二次特征选择和支持向量机的面部表情识别.docVIP

基于二次特征选择和支持向量机的面部表情识别 　　摘要：提出了一种旨在减少支持向量机的训练量和提高特征有效性的表情识别算法。使用排序PCA+LDA得到最优表情向量；使用模糊核聚类进行有效数据集约简，构建二叉决策树训练支持向量机。在JAFFE数据库上的识别结果优于其它几种算法，在保证识别率的同时缩短了训练时间。 　　关键词：特征选择；支持向量机；核函数；表情识别 　　中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)36-2700-03 　　Expression Recognition Based on Twice Feature Selection and Support Vector Machines 　　LI Gui-lin1, ZHAO Hui1,2 　　(1.Institute of Information and Scientific Engineering, Xinjiang University,Urumqi 830046,China; 2.University of Science and Technology Beijing, Beijing 100083, China) 　　Abstract: To describe an expression recognition algrithm aims at reducing the training volume and enhancing the validity of features.It employed the sort PCA and LDA to get the optimal expression vector,and used FKC to reduce effective dataset again and build binary decision tree to train SVM.Experimental results in the JAFFE database indicate that the proposed algorithm generates higher accuracythan others and shorten the training time simultaneity. 　　Key words: feature selection; support vector machines; kernel fouction; expression recognition 　　1 引言 　　随着图象分析和模式识别技术的不断成熟，面部表情识别日益成为人们研究的热点。面部表情在人际交互中起着重要作用[1]，其识别也是解决情感计算的关键[2]，人工心理理论[3]也将其作为重要研究内容。它对“普适计算”的智能环境、情感机器人、多模人机接口、临床心理学等有着极其重要的意义。 　　面部表情识别系统主要由三部分构成：面部获取，特征抽取与表征，表情分类。其中，特征抽取与表征最为关键，它将原空间变换为一个维数更小的空间，并实现数据映射。提取精确有效特征，去除信息冗余以及采用新的特征进行表情识别是特征提取研究的重要方向。Donato[4]比较了识别面部AU的多种技巧，实验表明ICA和Gabor小波有着良好的性能。Tian[5]的研究工作也证实了Gabor滤波在捕捉细腻信息上的优势以及对光照的鲁棒性。支持向量机(SVM)以其能够有效避免传统学习方法中的过学习、欠学习、“维数灾难”以及陷入局部极小点等问题在人脸识别、数据库学习、身份验证、文本分类等领域获得了成功运用。 　　本文根据上述Gabor小波和SVM的优势，结合模糊核聚类(FKC)，提出了一种二次特征选择的面部表情识别方法。首先，对面部的18个特征点进行Gabor滤波。其次，使用Fisherface法对Gabor向量进行训练，得到投影空间。再次，使用模糊核聚类(FKC)进行二次特征提取和构建二叉决策树。最后，训练支持向量机进行表情识别。使用了JAFFE数据库，表现出了优良的性能。 　　2 特征选择 　　本文在文献[6]的基础上获得脸部的18个特征点，这些特征点能够有效的描述六种基本表情，有明显的解剖学意义或脸部结构意义，并能够较为可靠的检测。如图1所示。 　　2.1 Gabor特征提取 　　Gabor滤波器在空间域和频率域具有良好的分辨能力，不同参数的Gabor滤波器能够捕捉图像中对应的空间频率、空间位置以及方向的局部特性信息。这些特性也使它对亮度和人脸姿态变化不敏感，因此常被用来做图像分析。二维Gabor小波变换描述了图像I(x)上给定一点x=(x,y)附近区域的灰度特征，定义如下： 　　 ■（1） 　　Gabor核函数的定义为