基于hlaclf的新生儿疼痛表情识别研究

《基于hlaclf的新生儿疼痛表情识别研究》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、单位代码：10293密级：硕士学位论文论文题目：基于HLACLF的新生儿疼痛表情识别研究学号1011010626姓名李倩导师卢官明教授学科专业信号与信息处理研究方向图像处理与多媒体通信申请学位类别工学硕士论文提交日期二○一四年六月万方数据NeonatalPainExpressionRecognitionBasedontheHLACLFThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterof

2、EngineeringByLiQianSupervisor:Prof.LuGuanmingMay2014万方数据南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人学位论文及涉及相关资料若有不实，愿意承担一

3、切相关的法律责任。研究生签名：_____________日期：____________南京邮电大学学位论文使用授权声明本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索；可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。涉密学位论文在解密后适用本授权书。研究生签名：____________导师签名：_

4、___________日期：_____________万方数据摘要现阶段新生儿的疼痛评估大多是以人工方式进行，可是人工评估不仅占用大量的人力物力资源，还会因为评估者的主观感受而产生误差。因此，有必要建立一个高效准确的自动识别系统对新生儿疼痛程度进行判断。本文利用HLACLF（HigherOrderLocalAutocorrelationLikeFeature，高阶局部自相关类似特征）对图像进行特征提取，再采用mRMR（MinimalRedundancyandMaximalRelevance，最小冗余

5、最大相关）对特征进行选择，最后利用SVM（SupportVectorMachine，支持向量机）对特征集进行分类判别。本文主要工作内容如下：（1）本文研究了HLAC（HigherOrderLocalAutocorrelation，高阶局部自相关）算法，提出基于HLACLF的特征提取算法，并研究了HLACLF方法在新生儿疼痛表情识别上的应用。研究HLACLF在提取特征表情时不同阶次（分别取N=2，N=3），不同的位移距离（窗口大小分别取3×3，5×5，7×7）对识别效果的影响。同时通过多尺度分辨率图像

6、结合的方法解决了HLACLF不具备缩放不变性的缺点。（2）研究了基于mRMR的特征降维方法，针对特征之间的相关性和冗余性，采用mRMR特征选择算法对HLACLF提取到的特征进行降维，通过实验观察特征降维的维数对实验最终结果的影响。（3）研究了统计学习理论下的SVM分类器在新生儿疼痛表情识别中的应用，研究了使用二类SVM分类器进行多类数据分类的四种方法：1-a-1，1-a-r，树型SVM分类器，交叉组合SVM分类器。实验的最终结果证实了本文算法能够有效准确的对新生儿表情的疼痛程度进行识别，HLACLF

7、算法参数中的局部自相关阶数的增加可以提高识别率，位移距离的增大会降低识别率，识别率会在特征维数达到一定数目时得到收敛。本文的算法所达到最高识别率，为83.75%。关键字：新生儿表情识别，高阶局部自相关，最小冗余最大相关，统计学习理论，支持向量机I万方数据AbstractAtpresentassessingneonatalpainmostlydependsontheobservationofdoctorsornurses.Thesemethodswillcostagreatquantityoftime

8、andeffort.Andalsowillbeaffectedbysubjectivefeelingofobservers.So,itissignificanttodevelopanautomaticsystemtorecognizeneonatalpainthroughneonatalexpressionefficientlyandaccurately.Themostimportantaspectofapainexpressionrecognitionmethodi