基于自适应加权LBP和协作表示的人脸表情识别-电子与通信工程专业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 面部表情是人与人面对面沟通中的一种非自然语言,表情中所代表的信息对于人机交互 和情感研究等相关课题都起着至关重要的作用,而这些课题的研究对人工智能领域的发展也 起着极大促进的作用。文中采用了基于自适应加权局部二值模式（Local Binary Pattern, LBP） 和协作表示分类（Collaborative Representation based Classification, CRC）的表情识别算法。本 文主要从特征提取、特征降维和分类器这三个方面进行了研究，主要的研究工作有： （1）原始的 LBP 算子只能表示图像的局部特征而不能表示图像的全局特征，并且原始 的 LBP 算子无法区分图像中不同区域所表示的纹理信息。针对上述问题，文中提出采用自适 应加权的 LBP 方法对表情图像进行特征提取。主要步骤是：首先将表情库里的图像进行尺度 大小的归一化处理；其次根据不同的分块方式将图像进行均匀分块；然后利用 LBP 的均匀模 式提取分块好的图像的特征并计算出每个子块直方图的信息熵；最后以每个子块直方图的信 息熵的值作为加权因子，对表情图像的特征直方图进行加权。 （2）为了满足稀疏表示分类器和协作表示分类器中的分类条件，探索表情分类中的特征 维数与识别率之间的关系，需要对提取后的特征进行降维。文中利用主成分分析法（Principal Component Analysis, PCA）降低了加权后的表情图像的特征维数。因为文中采用的基于稀疏 表示的分类器和基于协作表示的分类器都要求训练样本字典在满足特征维数小于训练样本的 个数的前提下才能进行正确分类，所以必须要对特征提取后的训练样本进行特征降维。满足 上述条件的同时，在最终的实验中也研究了表情分类中的特征维数与识别率之间的关系。 （3）在基于稀疏表示的分类方法中，因过分强调稀疏约束进行 l1 范数求解，存在算法复 杂的问题。为此，文中将协作表示的方法应用于人脸表情识别中。因为基于协作表示的分类 器（CRC）主要是从基于稀疏表示的分类器（Sparse Representation based Classification, SRC） 演变而来，所以文中首先阐述了基于稀疏表示的分类器（SRC）的来源和基本原理，然后通 过理论和实验详细地对比了这两类算法，并证实了协作表示的分类方法在表情分类中的有效 性。实验中采用本文提出的算法得到的表情分类结果中平均识别率高达 97.00%。 关键词：表情识别，局部二值模式，主成分分析，稀疏表示，协作表示 I Abstract Facial expression is an un-natural language in face-to-face communication, the information represented in the expression have played a vital role in the topic of human-computer interaction and emotional research, and researching the topic have also played a important role in artificial intelligence field. This paper mainly adopted the adaptive weighted local binary patterns and collaborative representation based classification algorithms to research the face expressi