欢迎来到天天文库
浏览记录
ID:35069883
大小:3.25 MB
页数:62页
时间:2019-03-17
《基于自适应加权lbp和协作表示的人脸表情识别》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:考庄緣隹硕女讼違^无-朱音■/寺..普,戀I论文题目:基于自适应加权LBP和协作表示的人脸表情识别孝号1213012208姓名石婉疏导师_____鱼官明教授V.卢;.专业学位类别..工程硕古类型全日制专业(领域)电子与通信工掉论文提交日期二零—六年三月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,除了文中特别加示注和致谢的地方外,
2、论文中不包含其他人己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己在论文中作了明确的说明并表示了谢意。本人学位论义及涉及相关资料若有不实一,愿意承担切相关的法律责任。中义/)山研究生签名:石献fe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切保留并向国家有关部口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闽;可W将学位论文的全部或部分内容编入有关数据库进行检索;可采用影印、缩印或扫描
3、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。、卢心^(‘^|户研究生签名:石输)如知导师签名:日期:FacialExpressionRecognitionbasedonAdaptiveWeightedLBPandCollaborativeRepresentationThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsforthe
4、DegreeofMasterofEngineeringByShiWanWanSupervisor:Prof.LuGuanmingMarch2016摘要面部表情是人与人面对面沟通中的一种非自然语言,表情中所代表的信息对于人机交互和情感研究等相关课题都起着至关重要的作用,而这些课题的研究对人工智能领域的发展也起着极大促进的作用。文中采用了基于自适应加权局部二值模式(LocalBinaryPattern,LBP)和协作表示分类(CollaborativeRepresentationbasedClassification,CRC)的表情识
5、别算法。本文主要从特征提取、特征降维和分类器这三个方面进行了研究,主要的研究工作有:(1)原始的LBP算子只能表示图像的局部特征而不能表示图像的全局特征,并且原始的LBP算子无法区分图像中不同区域所表示的纹理信息。针对上述问题,文中提出采用自适应加权的LBP方法对表情图像进行特征提取。主要步骤是:首先将表情库里的图像进行尺度大小的归一化处理;其次根据不同的分块方式将图像进行均匀分块;然后利用LBP的均匀模式提取分块好的图像的特征并计算出每个子块直方图的信息熵;最后以每个子块直方图的信息熵的值作为加权因子,对表情图像的特征直方图进行
6、加权。(2)为了满足稀疏表示分类器和协作表示分类器中的分类条件,探索表情分类中的特征维数与识别率之间的关系,需要对提取后的特征进行降维。文中利用主成分分析法(PrincipalComponentAnalysis,PCA)降低了加权后的表情图像的特征维数。因为文中采用的基于稀疏表示的分类器和基于协作表示的分类器都要求训练样本字典在满足特征维数小于训练样本的个数的前提下才能进行正确分类,所以必须要对特征提取后的训练样本进行特征降维。满足上述条件的同时,在最终的实验中也研究了表情分类中的特征维数与识别率之间的关系。(3)在基于稀疏表示的
7、分类方法中,因过分强调稀疏约束进行l范数求解,存在算法复1杂的问题。为此,文中将协作表示的方法应用于人脸表情识别中。因为基于协作表示的分类器(CRC)主要是从基于稀疏表示的分类器(SparseRepresentationbasedClassification,SRC)演变而来,所以文中首先阐述了基于稀疏表示的分类器(SRC)的来源和基本原理,然后通过理论和实验详细地对比了这两类算法,并证实了协作表示的分类方法在表情分类中的有效性。实验中采用本文提出的算法得到的表情分类结果中平均识别率高达97.00%。关键词:表情识别,局部二值模式
8、,主成分分析,稀疏表示,协作表示IAbstractFacialexpressionisanun-naturallanguageinface-to-facecommunication,theinformationrepresentedintheexp
此文档下载收益归作者所有