非特定人表情识别的一种方法.docxVIP

非特定人表情识别的一种方法 1 非特定人的人脸温度识别方法 面部表情分析是虚拟机中一个非常活跃的研究方向。近年来,研究者们提出了很多算法以提高在光照条件、头部姿态等环境参数变化的情况下人脸表情识别的鲁棒性。然而,由于每个人的外观特征、表情表现方式等的差异,在以前所提取的表情特征中,通常还包含了测试人的个体信息。这对表情的识别带来了很大的困难。如何对非特定人的表情进行鲁棒地识别,还是一个巨大的挑战。在目前为止,除了文献,只有很少的一些研究对此问题进行了讨论。Matsugu等提出了一种基于规则的人脸表情识别算法。据作者报道,这是第一个讨论从不同的人脸外观中进行非特定人的人脸表情识别的系统。然而,对于一个基于规则的方法,对每个人脸表情都建立起一个很好的规则是非常困难的。另外,Wen等提出了一种基于比例图像的外观特征来进行人脸表情识别。该方法独立于人的皮肤反射特性。Abbound等提出了基于外观因子的人脸表情识别和合成方法。然而,对于这两种方法,它们都没有考虑不同的人具有不同的表情表现方式的情况。Wang等利用改进的高阶奇异值分解(Higher-Order Singular Value Decomposition,HOSVD)同时进行非特定人的人脸表情识别和非特定表情的人脸识别。然而,在这个方法中,要求测试人必须与训练集中某个人的表情表现方式是完全相同的,否则,他的表情不能得到正确的分类。虽然这个问题可以通过大量的训练来解决。但是,表情的特征空间非常巨大,搜集足够的人脸数据来训练模型是非常困难的。 本文提出了一种基于HOSVD的非特定人的表情识别方法。在新的方法中,利用了在人脸表情合成中被广泛采用的一个假设:相似的人具有相似的表情。也就是说,在人脸识别意义上比较相似的人,他们的表情表现方式、表情的外观和几何特征方面也比较相似。基于这个假设,计算人脸相似度加权的距离,可以减少由于个体差异造成的表情特征的差异。实验结果表明,本文提出的方法对非特定人的表情识别比以前的方法更为鲁棒。 2 基于高湿度分解的面部分类方法 2.1 动态本征策略 在传统的多因子分析方法中,采用了一个三维的张量A∈RI×J×K来表示人脸表情结构。其中I表示人的数目,J表示每个人表情的数目,K为初始人脸表情特征矢量eV的维数。这样,张量A的奇异值分解为 其中S表示人、表情和特征子空间相互作用的核张量;Up,Ue和Uf分部表示人、表情和表情特征子空间;1×,2×,3×表示将S按第1,2,3阶展开后相乘;Ue中第j行矢量表示的是第j类表情的标准表情矢量uej。对于高阶奇异值分解,读者可以参考文献。 通过一个简单的变化,可以定义两个与表情、人相关的张量Te和Tp,分别称为表情张量和人张量。定义如式(2)和式(3)所示。 Te和Tp都是大小为I×J×K的张量。图1给出了一个表情张量Te的示意图。为了简便起见,图中用一个块来表示在第3维空间上长度为K的一个矢量,这个矢量就是与某个人某个表情相关的本征矢量(或称为基矢量)。第i行的块则表示着和第i个人相关的表情本征矢量。 对需要测试的表情特征eVtest,可以构造一个大小为1×1×K的测试张量Ttest。这样,与第i个人相关的表情矢量ueitest可以由式(4)计算得到。 相似地,与第j类表情相关的人的特征矢量可以由式(5)计算得到 2.2 测试动作特征的分类 给定测试人的初始表情特征eVtest,表情识别的目标就是搜索j*,使得 其中uej为从式(1)中Ue的第j行矢量,表示第j类表情的标准表情特征。P(uej|Vetest)表示在已知初始表情特征eVtest的条件下,将eVtest分类到第j表情的概率。 在传统的多因子分析方法中,先根据式(4)计算得到与数据库每一个人相关的表情特征ueitest,i=1,2,,I,也就是将初始表情特征eVtest向图1中的第i行基矢量投影,i=1,2,,I。然后所有的表情特征ueitest,i=1,2,,I与所有的标准表情特征uej,j=1,2,,J进行比较。搜索所有的i和j,找到具有最大相似度sim(ueitest,uej)的i*和j*。最后,将测试人的表情特征分类到第j*类表情中去。 上述的搜索过程可以用式(7)来表示。即寻找(i*,j*),使得 其中P(uej|ueitest)表示在已知与第i个人相关的表情特征ueitest的条件下,将ueitest分类到第j类表情的概率。相似度sim(ueitest,uej)越高,则P(uej|ueitest)越大。 对式(6)进行分析。求取P(uej|Vetest)的过程可以分两步完成。即(1)在已知eVtest的条件下,求取转移到ueitest的概率P(ueitest|Vetest)。(2)在已知ueitest的情况下,计算ueitest分类到第j