基于非对称局部梯度编码与多特征融合人脸表情识别.ppt

三、基于非对称局部梯度编码的人脸表情识别 XOR-AR-LGC特征提取过程 1）将经过预处理后的表情图像分成n*n 个子块； 2）对每个子块采用XOR-AR-LGC算法进行编码； 3）统计每个子块的XOR-AR-LGC直方图； 4）级联 所有子块的直方图，级联后的直方图表示该幅表情图像的特征。 三、基于非对称局部梯度编码的人脸表情识别 实验结果与分析 本章算法识别率 （a）JAFFE （b）CK 三、基于非对称局部梯度编码的人脸表情识别 实验结果与分析 误识别表情 （a）误识别为生气 （b）误识别为悲伤 （c）误识别为厌恶 （b）误识别为悲伤 三、基于非对称局部梯度编码的人脸表情识别 实验结果与分析 AR-LGC邻域大小选择 （a）JAFFE （b）CK 三、基于非对称局部梯度编码的人脸表情识别 实验结果与分析 XOR-AR-LGC与AR-LGC的对比试验 三、基于非对称局部梯度编码的人脸表情识别 实验结果与分析 不同算法的对比试验 （a）识别率对比 （b）其他性能对比 汇报内容 一、绪论 二、人脸表情识别基础理论 三、基于非对称局部梯度编码的人脸表情识别 四、基于多特征融合的人脸表情识别 五、总结与展望 四、基于多特征融合的人脸表情识别 本章思想 纹理特征可以较好地描述图像的细节变化信息，几何特征可以较好描述图像的形变信息，全局特征能以较低维数的特征描述整个图像的全局信息。 单个特征在分类性能上的片面性和局限性 特征间具有一定的互补性 针对以上问题，为充分有效利用特征，本章提出一种基于差异性 和重要性的加权多特征融合的人脸表情识别算法，通过特征选择 与融合构建具有更强描述鉴别能力的特征 四、基于多特征融合的人脸表情识别 异或AR-LGC特征 从水平、垂直、对角线梯度比较中心像素点周围邻域强度大小，并且融合了不同尺度上的强度关系，所提取的特征能很好地反映图像的细节信息。 AAM特征 在眉毛、眼睛、鼻子、嘴巴区域上，选取了对表情识别起关键作用且具有较低错误定位率的23个点作为特征点，利用如下公式计算特征点间的相对距离，构建人脸表情识别的几何特征。 四、基于多特征融合的人脸表情识别 DCT特征 四、基于多特征融合的人脸表情识别 基于差异性和重要性的特征选择算法（DIFS） 特征的互补性是保证多特征融合后的特征具有较好的鉴别能力和较高识别率的关键，作为特征选择的重要依据。 正分差异度 错分差异度 总体差异度 重要度 互补度 5个样本的分类结果 特征1：（1,1,0,1,0） 特征2：（1,0,0,1,1） 四、基于多特征融合的人脸表情识别 由于不同的特征的自身特性对分类识别的影响不同，对特征进行适当的加权可以提高特征子集的分类性能。设最优特征集 ，权重系数 ， ，则加权后的融合特征表示为： 粒子群优化算法（PSO） 较快的收敛速度、较强的全局搜索能力、参数设置少和实现方便 采用PSO寻找最优特征子集C中特征的权重系数最优解W 。 四、基于多特征融合的人脸表情识别 多特征选择与融合 Step1.计算每个特征的重要度，选择 重要度最大的特征加入特征子集 Step2.计算待选择特征与当前特征子集的互补度，依据互补度选择互补度最大的特征加入特征子集，构建最优特征子集 Step3.利用粒子群优化算法选择最优特征子集中的每个特征权值，构建加权融合特征 DIFS 四、基于多特征融合的人脸表情识别 实验结果与分析 本章算法在JAFFE库和CK库上的识别率 （a）JAFFE （b）CK 四、基于多特征融合的人脸表情识别 实验结果与分析 DCT中Zig-Zag算法区域大小的选择 四、基于多特征融合的人脸表情识别 实验结果与分析 差异性权重系数 和重要性权重系数 的选择 四、基于多特征融合的人脸表情识别 实验结果与分析 不同算法的对比实验 汇报内容 一、绪论 二、人脸表情识别基础理论 三、基于非对称局部梯度编码的人脸表情识别 四、基于多特征融合的人脸表情识别 五、总结与展望 五、总结与展望 工作总结 主要内容 相关研究 以表情识别为中心，概述了课题提出的背景和研究意义，分析了表情识别研究中的主要问题，针对人脸检测、预处理、特征提取和特征分类等环节，详细介绍了表情识别中的重要技术，总结了各项技术的优缺点和适用范围。 特征提取 针对局部梯度编码算子只能在固定大小邻域内提取图像纹理特征的不足，本文提出了一种非对称邻域局部梯