基于pca重建方法的表情识别方法研究

《基于pca重建方法的表情识别方法研究》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、第一章绪论的识别在先进的编码通信和动态交互系统中，是一项十分重要的基础技术。如果能够在时间和空间上，详尽、准确地估计脸部的运动，则能够有效地提高编码系统的效率。这项研究能够应用于人脸的编码、分析、解释和跟踪，可以解决诸如低带宽的脸部数据传输、多媒体中的面部图象压缩等问题。同时表情识别对人工心理模型的构建也有重要意义，可以说“计算机自动表情识别系统”是整个大的“人工心理模型系统”的组成部分，因为面部表情是人类情绪的一种形式化表示，将表情识别的结果作为“外界刺激”是驱动整个人工心理模型运转的动力。因此对于表情识别的研究将对“情感机器人”的研发起到重要的作用。1．2表情识别发展与

2、现状追溯人们对表情识别的研究，可以发现早在19世纪70年代已经开始，早期主要集中在心理学和生物学角度的研究与分析。达尔文在1872年出版的《人与动物的情感》一书中首先揭示了表情在不同性别，不同种族的人群中的一致性。同时提出了表情的一般原则：有用联合性习惯原则、反对原则和神经系统直接作用原则[3]，并提出苦恼、忧郁、担心、悲哀、绝望、喜悦、反省、默想、不平怨恨、愤怒等36种人类的表情，为后人的研究提供很大的价值。关于表情分类与识别的研究工作可以分为基于心理学的和基于计算机识别的两类。在心理学方面，Schlosbe唱于1954年给出表情的维量分析【4】，首先从心理学方面提出了表

3、情描述的3个量化尺度：注意——拒绝、高兴——不高兴、活跃程度。El(nlan和Friesen[5】[6】于1977年提出了的面部运动编码系统(FACs)，在这个系统中采用44个能够独立运动的表情活动单元(AU)描述面部动作，在这个系统中还定义了六种最基本的表情：惊奇、恐惧、厌恶、愤怒、高兴、悲伤，这一系统的提出对表情识别具有里程碑的意义。目前国内外一些学者对表情识别的研究，以及提出的算法，识别的表情种类基本上是都是基于El(man提出的六种基本表情或其子集。在计算机自动识别方面，Suwa和Sugiel[7】等人于1978年对表情识别做了一个最初的尝试，他们跟踪一段脸部视频动

4、画，得到每帧图片上20个关键点的运动规律，将此运动规律与预先建立的不同表情的关键点运动模型相比较，进行表情分析。1978年Terzopoilos和waters[8]则运用了简化的Ekman．Friesen模型，用计算机产生人脸动画，同时也做了人脸视频序列的表情分析。当然这些还是初步的尝试，表情分析、编码与识别作为多模式人机交互的重要组成部分而受到关注并真正发展是在20世纪90年代。国际上，日本较早开展了表情识别研究，东京大学、京都大学，以及ATR第一章绪论媒体信息科学实验室，该实验室建立了日本女性面部表情(JAFFE)公用数据库。美国的麻省理工学院(MIT)媒体实验室、卡耐

5、基梅隆大学(CMU)机器人研究所、马里兰大学(Maryland)、佐治亚工学院：欧洲的剑桥大学、曼彻斯特大学等都投入很多人力物力来进行这方面的研究。许多跨国公司如微软、IBM等都成立了专门的小组从事表情识别及其相关领域的研究。在国内，最早进行计算机表情分析、编码与识别研究的是哈尔滨工业大学高文教授【9][10】领导的团队，提出了FAcsp(转换FACS)的表情编码，把运动单元的运动转化为基于物理结构和肌肉模型的运动特征向量序列对眼部和嘴部分别进行表情编码。另外很多大学和科研机构，主要包括有清华大学【11】、北京科技大学[12]、中科院自动化所和计算所等，也在表情识别方面进行

6、了一系列的研究。1．3本文所做的工作本文对如何用计算机完成人脸表情图像识别进行了的研究，在分析和学习了一些常用的表情识别技术的基础上，深入的研究了一种经典的表情识别的算法PcA算法，以此算法为基础提出了一种新的表情识别的方法，基于PCA重建方法的表情识别方法。该方法的总体思想是对于表情识别的所用训练集按照表情划分成不同表情子集，然后在每个子集上进行PCA算法，分别得到对应的正交基。对于待测图像，将其在不同表情子集生成的正交基上分别进行投影，之后利用投影坐标进行图像重建，然后通过比较待测图像与哪个表情子集中重建的图像最相似，就将待测图像识别为该种表情。本文研究了表情识别过程中

7、运用到的相关技术，包括识别前的人脸检测、图像预处理；表情区的灰度积分投影定位方法；核心技术PCA算法和重建方法；并针对本文提出的基于PcA重建方法的表情识别方法，提出了相应的比较图像相似的两种方法一差值和方法和相似点数方法，对这两种方法分别进行了实验，在分析实验结果之后，最终提出了通过区分度综合使用这两种方法，形成了完整的表情识别方法。本文对此方法在JAFFE表情数据库上与传统PCA+神经网络的方法进行了对比实验，得到了比传统方法更好的实验结果。1．4本文内容安排本文第二章总体概括的介绍了当今表情识别领域常用的一些