(PPT)-基于信息融合的面部表情分析与识别.pptVIP

基于信息融合的面部表情分析与识别 ;论文选题来源;研究现状;目前面部表情识别的主要方法：;论文主要工作;面部表情识别：一般可描述为给定一个静止人脸图像或者动态的人脸图像序列，利用已有的人脸表情数据库确定图像中的一个人或者多个人的面部表情，研究内容包括以下三方面： 人脸检测:即从各种不同的场景中检测出人脸的存在并确定其位置. 面部表情特征提取:即确定表示检测出的人脸表情和数据库中的已有的人脸面部表情的描述方式。通常的表示方式包括几何特征、代数特征、固定特征模板、云纹图、3D网格等。 面部表情识别：就是将待识别的人脸面部表情和数据库中的已知人脸面部表情比较，得出相关信息。这一过程是选择适当的人脸面部表情表示方式与匹配策略 ; 论文主要工作;信息融合与面部表情分析;基于信息融合面部表情识别的三个模型;基于像素层融合的面部表情识别;基于特征层融合的面部表情识别;基于决策层融合的面部表情识别; 论文主要工作;基于单特征单分类器的面部表情识别;基于神经网络级联的面部表情识别;网络级联的面部表情识别结构;网络级联的面部表情识别流程;网络级联的面部表情识别的实验结果;日本女性表情数据库上的实验;Yale Face 数据库上的实验;基于单特征单分类器的面部表情识别;基于几何特征的面包表情识别;面部特征点;几何特征的形成;基于几何特征的面部表情识别流程;两个数据库上的实验结果;基于单特征单分类器的面部表情识别;基于均值主元分析的面部表情识别;主元分析;主元分析的改进：均值主元分析;面部表情识别流程;实验结果;基于单特征单分类器的面部表情识别;基于Fisher线性判别的面部表情识别;Fisher 线性判别;总类内离散度矩阵： 类间离散度矩阵: 离散度矩阵： 求下列两两正交的矩阵： 是SB与SW的广义特征值相对应的广义特征向量，即： 由于最多只有c-1个非零广义特征值，因此m的最大值为c-1 ;Fisher线性判别的改进：T＋PCA+FLD; PCA+FLD策略，将训练样本的人脸图像向量投影到一个较低维的空间以至于类内分布矩阵为非奇异的。可以通过PCA ??特征空间降为 N-c维,然后通过标准的FLD 将维数降为c-1。通过PCA将人脸图像投影到N-c维特征空间： 通过标准的FLD将维数降为c-1： ;基于Fisher线性判别的面部表情识别流程; 6.计算生成矩阵 的特征值和特征向量，构造特征子空间。首先把特征值从大到小进行排序，同时，其对应的特征向量的顺序也作相应的调整。然后选取其中一部分构造特征子空间。在耶鲁大学Yale face数据库上我们用m=N-c=52维特征向量构造特征子空间。在JAFFE上我们用m-N-c=76维特征向量构造特征子空间，其中N为训练样本数目，c为类别数。 7.把训练图像和测试图像投影到上一步骤构造的特征子空间中。每一幅人脸图像投影到特征子空间以后，就对应于子空间中的一个点。同样，子空间中的任一点也对应于一幅图像。 8.用替换矩阵 和 替换 和 进行FLD。得到表征面部表情的特征向量。 9.对于新的测试图像用最大相关分类器进行分类. ;实验结果; 论文主要工作;基于基于SVM的多特征多分类器融合的面部表情识别;基于SVM信息融合的面部表情识别结构;;基于基于SVM的多特征多分类器融合的面部表情识别;支持向量机和最优超平面;先对参数和施加约束条件: 对于全体训练样本,则下列不等式成立 最优超平面使得下式取得最小的超平面 通过对上式的优化问题求解，可得一组解 , 并且该解满足 下列各式: 只有支持向量的系数才可能为非零值， 所以可以表示为： 并且，对于任意的支持向量，都有： ;基于基于SVM的多特征多分类器融合的面部表情识别;SVM融合原理;SVM融合函数以及融合模型;几种常用的核函数;基于SVM信息融合的面部表情识别流程;实验结果;Yale Face数据库 上的实验结果;日本女性表情数据库上的实验结果; 论文主要工作;基于径向基函数网络多特征融合的面部表情识别;基于RBF网络的多特征融合的面部表情识别结构;径向基函数神经网络（RBF); 径向基函数常采用高斯函数作为非线性映射函数,不失一般性,对于单个网络输出的RBF网络来说,其第个单元对应的输出为其中: -------欧几里德范数 ------第个输入向