基于边界 Fisher 分析的人脸表情 识别算法研究.docVIP

基于边界 Fisher 分析的人脸表情 识别算法研究 摘 要：人脸表情识别已经成为计算机视觉和模式识别等领域的热点课题之一。人脸表情识别的主要工作是首先使用一组被标记的面部表情训练图像来建立模型，然后使用该模型来识别未知人脸图像中的表情。简单地说，人脸表情识别问题大致分为两个步骤：特征提取和识别分类。使用有效的面部图像特征提取方法来描述表情特征是构建自动面部表情识别系统的主要任务。子空间学习方法是一种经典的特征提取方法，该类方法能够从存在大量冗余信息的高维数据中提取有效的判别信息。本文从降维算法的有效性出发，研究适用于人脸表情特征的子空间学习算法。 本文研究了常用的经典子空间学习方法，并提出了用于人脸表情识别的稀疏边界Fisher分析(Sparse Marginal Fisher Analysis, SMFA)算法。该算法在边界Fisher分析算法的基础上引入稀疏性，从而能获得一个稀疏的投影矩阵。类似于边界Fisher分析算法，SMFA计算类内离散度矩阵和类间离散度矩阵，用来分别描述相同类之间的几何结构和不同类之间的局部判别结构。与边界Fisher分析不同的是，为求得投影矩阵，SMFA要去除总离散度矩阵包含的零空间。由于投影矩阵的稀疏性能够减少后续投影过程中的计算量，同时也能够减少投影矩阵的存储空间且能够提高模型的泛化性能，本文使用线性Bregman迭代算法来求得稀疏投影矩阵。在JAFFE、CK+和GEMEP-FERA表情数据集上的大量实验证明了本文所提出方法的有效性。 关键词：人脸表情识别;特征提取;边界Fisher分析;稀疏学习;线性Bregman迭代 前 言 由于面部表情识别在心理学、谎言检测、人机交互、电子娱乐和精神病理学分析等各个领域具有广泛的应用场景，它已成为模式识别及情感计算领域一个非常活跃和关键的研究课题。 经过几十年的研究发展，人脸表情识别领域的研究已经初具规模，目前大量的识别方法已经被提出并得到了广泛的应用。已有的人脸表情识别算法大致可以分为两类：基于几何特征的学习方法和基于外貌特征的学习方法两类。大量的研究表明，基于几何特征的方法因其识别准确度依赖于面部部位的精准定位[1,8]，其识别效果要劣于基于外貌特征的学习方法[6][7]。 子空间学习方法在基于外貌特征的识别方案中应用广泛，该类算法能够从存在大量冗余的高维数据中提取有效且维度较低的判别信息。人脸表情识别方案中常用的子空间学习方法有线性判别分析、局部线性判别分析、边界Fisher分析等。 本文以基于人脸表情图像的识别方法为主要研究对象，分析对比了大量已有的人脸表情识别算法，尤其是基于人脸表情图像的识别方案中常用的子空间学习方法。本文向边界Fisher分析算法引入稀疏性，并提出了一种新的稀疏子空间学习方法，即稀疏边界Fisher分析算法。在JAFFE、CK+、GEMEP-FERA表情数据集上进行了实验，分析对比实验结果，验证了本文提出的稀疏边界Fisher分析算法的有效性。 第一章 绪 论 本章首先简述了人脸表情识别技术的研究背景及意义，其次对已有的人脸表情识别方法进行简单的分类概述，然后对本文的主要工作内容以及创新点进行阐述，最后介绍了本文的组织结构。 1.1 研究背景及意义 随着计算机技术的进步，人工智能和模式识别得到了长足的发展，在互联网等产业应用的推动下，生物识别成为研究的一个热点。生物识别包括人脸识别、虹膜识别、指纹识别、语音识别、签名识别、步态识别、表情识别等多个领域，这些技术已经广泛应用于社会生活的方方面面，在使用科技促进便捷人们生活的过程中发挥着越来越重要的作用。 面部表情识别(Facial Expression Recognition, FER)作为生物识别的一种，在心理学、谎言检测、人机交互(Human-computer Interaction, HCI)和精神病理学分析等各个领域有着广泛的应用场景，已经成为人工智能领域一个非常活跃和关键的研究课题[1,21]。表情是人类表达各种情感(如欢喜、悲伤、愤怒等)的主要方法，它和自然语言一起传递信息，具有重要的研究价值。人脸表情是一种复杂的肌肉运动，每种表情都是人面部44块肌肉共同运动的组合，想要使用一个确切有效的数学模型来描述表情具有一定的困难性和复杂性。 人脸表情识别的主要工作是使用一组被标记的面部表情训练图像建立模型，使用该模型识别未知人脸图像中的表情。使用有效的面部图像特征提取方法来描述表情特征是构建自动面部表情识别系统的主要任务。本文聚焦于表情识别中的特征提取方法，主要研究子空间学习方法在表情特征提取中的应用。 1.2人脸表情识别方法概述 在表情图像的特