基于非对称局部梯度编码及多特征融合的人脸表情识别ppt课件.ppt

《基于非对称局部梯度编码及多特征融合的人脸表情识别ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、报告人：基于非对称局部梯度编码及多特征融合的人脸表情识别答辩人：指导老师：汇报内容一、绪论二、人脸表情识别基础理论三、基于非对称局部梯度编码的人脸表情识别四、基于多特征融合的人脸表情识别五、总结与展望一、绪论研究背景与意义情感是人类内心的符号，面部表情是人们丰富情感的外在表现100%信息=7%语言+38%声调+55%面部表情人脸表情识别是情感分析的一个重要组成部分，是一个具有交叉性与挑战性的研究课题促进学科发展商业价值日常生活研究意义一、绪论人脸表情识别系统良好的描述能力、信息较少冗余、特征维数不能过高汇报内容一、绪论二、人脸

2、表情识别基础理论三、基于非对称局部梯度编码的人脸表情识别四、基于多特征融合的人脸表情识别五、总结与展望二、人脸表情识别基础理论人脸检测基于知识模型：肤色特征、边缘特征、五官特征、纹理特征基于统计模型：人工神经网络、Harr-like+Adaboost二、人脸表情识别基础理论图像预处理直方图均衡化高斯滤波线性平滑滤波器图像上的噪声一般服从Gauss正态分布二维Gauss函数表达式：滤波去噪几何变换中值滤波图像旋转图像比例缩放二、人脸表情识别基础理论特征提取全局特征提取方法纹理特征提取方法几何特征提取方法主成分分析（PCA）线性判

3、别分析（LDA）离散余弦变换（DCT）……Gabor小波局部二值模式（LBP）局部梯度编码（LGC）……主动形状模型（ASM）主动外观模型（AAM）……二、人脸表情识别基础理论局部梯度编码（LGC）二、人脸表情识别基础理论主动外观模型（AAM）训练样本建立人脸形状模型误差衡量关键特征点建立人脸纹理模型外观模型测试实例最优外观系数二、人脸表情识别基础理论分类识别高维数、非线性、小样本问题引入核函数解决非线性问题多分类问题：采用“一对一”、“一对多”两种方式决策边界简单汇报内容一、绪论二、人脸表情识别基础理论三、基于非对称局部梯度

4、编码的人脸表情识别四、基于多特征融合的人脸表情识别五、总结与展望三、基于非对称局部梯度编码的人脸表情识别本章思想针对局部梯度编码算子（LGC）只能在固定大小邻域内提取图像纹理特征的不足，提出了一种非对称邻域LGC算子（AsymmetricRegionLocalGradientCoding，AR-LGC）多尺度融合的表情特征提取方法。原始图像尺寸归一化表情分类Gauss滤波提取XOR-AR-LGC特征三、基于非对称局部梯度编码的人脸表情识别非对称局部梯度编码（AR-LGC）邻域大小的可扩展性可能忽略局部邻域内强度的变化纹理平滑化

5、降低算子鉴别能力三、基于非对称局部梯度编码的人脸表情识别异或非对称局部梯度编码（XOR-AR-LGC）设序列和的第位为和，XOR-AR-LGC编码表示为：三、基于非对称局部梯度编码的人脸表情识别XOR-AR-LGC特征提取过程1）将经过预处理后的表情图像分成n*n个子块；2）对每个子块采用XOR-AR-LGC算法进行编码；3）统计每个子块的XOR-AR-LGC直方图；4）级联所有子块的直方图，级联后的直方图表示该幅表情图像的特征。三、基于非对称局部梯度编码的人脸表情识别实验结果与分析本章算法识别率（a）JAFFE（b）CK三、

6、基于非对称局部梯度编码的人脸表情识别实验结果与分析误识别表情（a）误识别为生气（b）误识别为悲伤（c）误识别为厌恶（b）误识别为悲伤三、基于非对称局部梯度编码的人脸表情识别实验结果与分析AR-LGC邻域大小选择（a）JAFFE（b）CK三、基于非对称局部梯度编码的人脸表情识别实验结果与分析XOR-AR-LGC与AR-LGC的对比试验三、基于非对称局部梯度编码的人脸表情识别实验结果与分析不同算法的对比试验（a）识别率对比（b）其他性能对比汇报内容一、绪论二、人脸表情识别基础理论三、基于非对称局部梯度编码的人脸表情识别四、基于多特

7、征融合的人脸表情识别五、总结与展望四、基于多特征融合的人脸表情识别本章思想纹理特征可以较好地描述图像的细节变化信息，几何特征可以较好描述图像的形变信息，全局特征能以较低维数的特征描述整个图像的全局信息。单个特征在分类性能上的片面性和局限性特征间具有一定的互补性针对以上问题，为充分有效利用特征，本章提出一种基于差异性和重要性的加权多特征融合的人脸表情识别算法，通过特征选择与融合构建具有更强描述鉴别能力的特征四、基于多特征融合的人脸表情识别异或AR-LGC特征从水平、垂直、对角线梯度比较中心像素点周围邻域强度大小，并且融合了不同尺

8、度上的强度关系，所提取的特征能很好地反映图像的细节信息。AAM特征在眉毛、眼睛、鼻子、嘴巴区域上，选取了对表情识别起关键作用且具有较低错误定位率的23个点作为特征点，利用如下公式计算特征点间的相对距离，构建人脸表情识别的几何特征。四、基于多特征融合的人脸表情识别DCT特征四、