基于多特征融合的人脸表情识别.pdf

摘要 摘 要 随着计算机视觉技术的迅猛发展，人类越来越渴求更加智能的人机交互体验，作为 人机智能交互的重要桥梁，人脸表情识别技术成为了当下的研究热点。表情识别技术在 很多现实生活领域中已经得到了应用和发展，例如交通领域中的驾驶员状态监测，医疗 领域中病人的监测等等；但是识别率问题限制了人脸表情识别技术在更多领域中的应用， 如何更加有效的提取人脸表情图像的特征和进一步提高特征对表情图像的表征能力需要 投入更多努力。针对人脸表情识别当前存在的问题，本文主要从人脸表情识别中的图像 分割、特征提取算法和表情分类识别进行了研究。本文主要工作如下： 采用全卷积网络完成面部嘴部区域分割，提高了嘴部分割精度。嘴部分割是利用形 状特征进行表情识别的基础，经过实验验证，该方法对人脸表情图像嘴部分割具有很好 的效果，在不同光照背景，不同人脸肤色和人脸形状下均可以准确的分割人脸嘴部。 提出了两种针对高斯马尔科夫随机场模型的改进方法，解决了高斯马尔科夫随机场 特征在人脸表情识别中获取的纹理信息精细度不够的问题，提高了特征表征图像信息的 能力。第一种是融合二值模式的高斯马尔科夫随机场（BP-GMRF ）特征模型。该模型 算法不仅保持了高斯马尔科夫随机场模型空间表达能力强的优点，还可以细致的表达局 部区域像素点灰度值的大小关系，以及局部像素点灰度值和整体平均灰度值的大小关系。 第二种改进算法是融合最大池化的高斯马尔科夫随机场（MP-GMRF ）特征模型。该算 法加入最大池化增加了特征鲁棒性和表征图像信息的能力。 提出了一种特定角度边缘熵形状特征提取算法，提高了表情特征信息的表征能力。 嘴部是人脸区域中随表情改变形状特征变化最大的器官，通过嘴部中心点与边缘点竖直 方向的距离进行熵计算，将嘴部边缘形状变化转化为对曲线与直线之间的不确定性。 纹理特征和形状特征结合，进一步增强了表情图像信息的表征能力，提高了表情识 别的准确率。在拥有七种人脸表情的 JAFFE 数据集上进行实验，将本文提出的方法和近 些年发表的文献提出的方法进行对比，结果表明了本文方法在人脸表情识别中运用的有 效性。 关键词 表情识别；高斯马尔科夫随机场；最大池化；形状熵；特征融合 I Abstract Abstract With the rapid development of computer vision technology, people are increasingly eager for a more intelligent human-computer interaction experience. As an important bridge for human-computer intelligent interaction, facial expression recognition technology has become a current research hotspot. Expression recognition technology has been applied and developed in many real-life fields, such as driver status monitoring in the transportation field, patient monitoring in the medical field, etc. But the recognition rate problem limits facial expression recognition technology in more fields in the application. How to extract the features of facial expression images more effectively and further improve the characterization o