一种高性能部分遮挡的人脸表情识别方法.docVIP

一种高性能部分遮挡的人脸表情识别方法 　　摘要：针对部分遮挡的人脸表情识别，提出了一种基于部分遮挡判断的人脸表情识别方法。首先对包含表情信息的静态图像进行Gabor小波变换，提取表情特征矢量，然后用最大相关分类器对特征矢量分类。实验表明，该方法对局部遮挡的人脸表情识别有较强的鲁棒性,对无遮挡的识别也有所改善。 　　关键词：部分遮挡；Gabor小波变换；表情识别 　　中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)08-1873-02 　　A Novel High-quality Partially Occluded Face Expression Recognition Method 　　TIAN Jian-hua 　　(School of Distance Education, Heze University, Heze 274000, China) 　　Abstract: This paper presented a partially occluded face expression recognition method with sub-region occlusion judgment. Given a still image containing facial expression information, expression feature vectors are extracted by Gabor wavelet transformation firstly. Secondly, the feature vectors are classified by using a maximum correlation classifier. Experiment shows that expression the facial expression recognition method provides robustness against partial occlusion and non-occluded faces. 　　Key words: partially occluded; gabor wavelet transformation; expression recognition 　　人脸表情识别是指通过分析特定人的脸部表情及变化，进而确定被识别对象的内心情绪或思想活动。人脸表情识别技术在人机交互、远程教育、电脑游戏、辅助医疗、计算机视觉等领域有着重要的应用价值。 　　最早进行人脸表情识别研究的是在心理学领域，Darwin在1872年阐述了脸部表情的普遍意义及其与某种明确情绪间的关系[1]。1971年，Ekman和Friesen[2]对人类情绪进行了分类，提出6种基本表情：高兴、悲伤、惊奇、恐惧、厌恶、生气，在此基础上他们又提出了脸部运动编码系统(Facial Action Coding System, FACS)，将脸部肌肉运动划分为不同的运动单元(Action Units, AUs)，每种运动单元对应了不同的表情状态。 　　但是，在实际应用中人脸可能被墨镜、帽子、口罩等物体遮挡，这就导致人脸表情识别的精确度下降。故本文模拟一个特定的情节，对确定的包含人脸表情识别最有判别力信息的的人脸完成实验。 　　1 系统介绍 　　如图1所示，整个系统分为特征提取和表情分类两部分。 　　1.1 基于Gabor小波变换的特征提取 　　二维Gabor小波变换是在时频域进行信号分析处理的重要工具，其变换系数有着良好的视觉特性和生物学背景，因此广泛应用于图像处理、模式识别等领域。与传统的傅立叶变换相比，Gabor小波变换有以下几个优点：(1)具有良好的时频局部化特性。即非常容易地调整Gabor滤波器的方向、基频带宽及中心频率从而能够最好地兼顾信号在时空域和频域中的分辨能力。(2)多分辨率特性及变焦能力。即采用多通道滤波技术，将一组具有不同时频域特性的Gabor小波应用于图像变换，每个通道都能够得到输入图像的某种局部特征，这样可以根据需要在不同粗细粒度上分析图像[3-6]。 　　Gabor小波函数的选择对表情特征提取的好坏有直接关系，本文选择基频带宽固定，具有3个较高核频率的小波族，其中每种频率的小波族又由均匀分布在半平面中6个方向上的小波组成。较高的核频率使得小波函数能够更好地提取表情图像的细节部分，而不同方向使得小波函数能够全面地考虑表情特征[7]。 　　本文对整个人脸应用gabor小波变换（GF）而代替对局部区域用gabor小波变换，从而避免人工选择特征区域来提取特征。对二维图像I()进行Gabor小波核函数定义如下：： 　　 (1) 　　式（1）中，i