基于粗略到精细分类的面部表情识别方法.doc

计 算 机 工 程 第 33 卷 第5期 Vol.33 No.5 Computer Engineering · · 人工智能及识别技术 文章编号：1000—3428(2007)05—0168—02 文献标识码：A 2007年3月 March2007 中图分类号：TP391.4 基于粗略到精细分类的面部表情识别方法 崔 洁，冯晓毅 （西北工业大学电子信息学院，西安 710072） 摘 要：为了更准确地识别人的表情，在识别人脸7种基本表情（愤怒、厌恶、恐惧、高兴、无表情、悲伤和惊讶）时，采用了局域二值模式技术提取面部特征，进行由粗略到精细的表情分类。在粗略分类阶段，7种基本表情中的2种表情被选为初步分类结果（候选表情）。在精细分类阶段，选用计算加权卡方值确定最终分类结果。采用日本的Jaffe表情数据库来验证算法性能，对陌生人表情的识别率为77.9%，其结果优于采用同样数据库的其他方法，且易于实现。 关键词：面部表情；局域二值模式；表情分类；加权卡方值 Method of Facial Expression Recognition Based on Coarse-to-fine Classification CUI Jie, FENG Xiaoyi (School of Electronic and Information, Northwestern Polytechnical University, Xi’an 710072) 【Abstract】This paper presents an effective method for facial expression recognition. It analyzes seven basic expressions: angry, disgust, fear,happiness, neutral, sadness and surprise. The local binary pattern(LBP) operator is used to extract face appearance features. A two-stageclassification method is proposed. At the first (coarse classification) stage, two expression candidates from initial seven are selected. At the second(fine classification) stage, one of the two candidate classes is verified as final expression class by the Chi square statistic. Our algorithm is tested onthe Jaffe database and the recognition rate for a new person’s expression is 77.9%, which is higher than all the other reported methods. 【Key words】Facial expression; Local binary pattern(LBP); Expression classification; Chi square statistic 1 概述 人脸面部表情识别是计算机视觉领域一个富有挑战性的研究课题，在人机接口、心理学研究等方面具有重要意义。由于静态面部图像包含表情信息较少，因此从静态图像中识别表情比从图像序列中进行难度更大。在有些情况下，单幅图像中包含的信息足以用来识别表情，而且在很多应用中也需要识别单幅图像中的表情。近年来出现了很多识别静态图像中表情的方法[1]。 Gao等人用线性边缘图(LEM)描述表情[2]，把面部表情识别转换成了通过LEM方法描述出的脸部之后，再与画线的表情模型进行匹配。Shinohara和Otsu[3]把高阶局部自动相关(HLAC)特征和Fisher权值图结合起来形成一个特征向量，Fisher判别式分析法常用于表情识别。Lyons等人[4]提出了一种基于模板的表情识别方法，用二维Gabor小波表示脸部，利用主分量分析法(PCA)压缩数据，用线性判别分析法(LDA)进行表情分类。Buciu等人[5]将Gabor小波(或ICA)和SVMS结合起来识别面部表情。Fasel等人用的是神经网络方法来进行表情的学习和识别。然而，这些方法或者需要人工定位很多面部关键点，不能实现自动化的识别，不便于实际应用，或者识别率很低，均不能很好地实现对表情的识别。 为了克服现存的特征信息提取不全面和对表情识别率