基于Kernel ReliefF的人脸表情识别研究

《基于Kernel ReliefF的人脸表情识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码10459学号或申请号201512172111密级硕士学位论文基于KernelReliefF的人脸表情识别研究作者姓名：杜杰导师姓名：关凌教授帖云教授学科门类：工学专业名称：信息与通信工程培养院系：信息工程学院完成时间：2018年5月AthesissubmittedtoZhengzhouUniversityforthedegreeofMasterResearchonKernelReliefFBasedFacialExpressionRecognitionByJieDuSupervisor:Prof.LingGuanP

2、rof.YunTieInformationandCommunicationEngineeringSchoolofInformationEngineeringMay2018摘要随着人工智能时代的到来，越来越多的智能产品开始走进大众的生活，这对人机交互过程中的用户体验提出了更高的要求。情感识别作为人机交互的一个重要环节，对机器能否做出更人性化的反馈有很大影响。而作为最具代表性的情感表达方式，人脸表情以其数据易获取、代表性强、稳定性高，成为众多研究人员关注的焦点。在人脸表情识别过程中，能否得到准确且高判别性的特征直接决定了表情识别

3、的效果，由于人脸表情变化是由人脸局部肌肉的非线性运动引起，导致人脸表情特征的显著性存在一定的差异。显然那些比较显著的区域对表情的表征更具代表性，更有利于表情的分类，因此本文就表情区域的显著性展开研究，进一步提高了表情识别效果。1、为了提取具有高判别性的表情特征，本文提出了适合表情特征的KernelReliefF算法来进行表情区域显著性判断。通过将人脸表情图像分块，提取每个子块的LBP特征，本文提出的KernelReliefF算法更多的关注人脸表情的局部显著性以及面部运动的非刚性特点，通过核化的迭代更新方式得到每个局部子块的判

4、别能力的大小，进而筛选出那些对于表情分类最有益的子块，剔除与表情相关性较弱甚至是无关的子块。该方法不仅提高了表情识别率，同时由于我们对表情区域进行了筛选，只用了部分特征，这在一定程度上降低了系统的计算复杂度。2、为了得到更为全面的表情特征，进一步提高表情识别效果，本文提出多尺度下的加权多特征融合的表情识别方法。同样对表情进行局部性分析，提取能表征纹理信息的LBP特征和能表征梯度和形状信息的HOG特征，借助于我们提出的KernelReliefF算法能够很好地表现表情图像各个区域的显著性大小，此外，本文对各子块特征进行加权，避免

5、了采用特征选择带来的信息丢失。最后利用CCA算法对加权后的HOG和LBP特征进行融合，结果证明这种方法对表情具有较好的分辨能力。关键词：人脸表情识别特征选择显著性KernelReliefF算法特征融合IAbstractWiththeadventoftheeraofartificialintelligence，moreandmoreintelligentproductscomeintopeople'slives,whichputsforwardhigherrequirementsfortheuserexperienceinth

6、eprocessofhuman-computerinteraction.Asanimportantpartofhuman-machineinteraction,emotionrecognitionissignificantformachinetomakemorehumanizedfeedback.Asoneofthemostrepresentativeexpressionofemotion,facialexpressionhasbecomethefocusofmanyresearchersforitseasyaccessto

7、data,strongrepresentationandhighstability.Intheprocessoffacialexpressionrecognition,whethertheexactandhighdiscriminativecharacteristicscanbeobtaineddirectlydeterminestheeffectoffacialexpressionrecognition.Sincethefacialexpressioniscausedbythenonlinearmotionoftheloc

8、almusclesoftheface,thereisacertaindifferenceinthesignificanceoffacialexpressioncharacteristics.Obviously,themoresignificantregionsaremorerepresen