基于小波变换的人脸表情识别算法的分析与研究

论文摘要

人脸表情识别是指提取人脸表情特征信息后,根据人类的认识和思维方式进行分析理解和归类,然后依据人类在情感方面所具有的先验知识,使得计算机能够模拟人类的思维进行思考及推理,通过分析人脸信息进而理解人的情绪。人脸表情识别是一个极富挑战性的交叉课题,涉及生物特征识别、模式识别、图像处理、机器视觉、生理学、心理学等研究领域。它是情感计算、人机交互的重要组成部分,也是模式识别与人工智能等领域的研究热点,有着极高的学术价值和巨大的市场应用潜力。近年来,在国内外各大科研院所、知名高校和IT公司的共同努力下,人脸表情识别技术得到快速发展。本文立足于前人在相关领域的研究成果上,查阅和分析大量国内外关于人脸表情识别的学术论文及文献,着力研究面部表情特征提取和识别的关键技术与方法,目的是为了寻求实现相对简单、特征提取和识别速度快、高识别率且适合于人脸表情识别的算法。本文主要工作如下：1、从人类情感出发,全面综述了人脸表情研究的背景和重要意义、研究的目的和应用领域、国内外研究现状和发展趋势。接着从人脸表情识别技术环节出发,对人脸检测和预处理、人脸表情特征的提取和人脸表情特征的分类识别的主要技术方法进行了分类整理,最后介绍了目前世界上几种主要的人脸表情数据库。2、本文提出基于DWT-PCA/Fisher线性判别分析的人脸表情识别算法。二维离散小波变换（DWT）具有良好的时频局部化特性和较好的能量集中特性,能够使得分解后的子图信息包含原始图像绝大多数信息量。因此,本文在DWT这种优良特性的基础上对原始表情图像进行DWT分解,提取小波系数作为特征。依据人脸表情识别学科理论可知,有效信息主要体现在眉毛、眼睛、嘴的变化上,其次是体现在这些变化之间的相互关系上。这些细节变化根据图像处理学科知识可知主要是由图像边缘的过度改变产生的,因此获得表情图像的细节信息有助于表情识别。而DWT变换后的高频信息表征的正是图像的纹理细节信息。因此,本文在提取小波分解低频信息的同时保留了部分高频信息。针对表情识别研究中所面临的小样本问题,本文通过主成分分析法将高维空间的样本图像投影到低维空间保证了样本类内离散度矩阵非奇异,同时去除数据间的相关性,然后采用Fisher线性判别法对这些非奇异阵进行特征提取。最后利用最近邻法进行分类识别。为了验证本算法的有效性和鲁棒性,本文做了与人有关和与人无关的两组实验,实验采用的是日本JAFFE人脸表情库的六种表情（生气、厌恶、恐惧、高兴、悲伤、惊讶）,实验证明,本文的算法具有一定的表情判别分析能力,并且特征提取速度相比没有使用DWT提高了近12倍。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 本课题的研究背景及意义
• 1.2 研究的目的和应用
• 1.3 研究现状和发展趋势
• 1.4 本文的研究内容和论文结构
• 第二章 人脸表情识别技术综述
• 2.1 概述
• 2.2 人脸表情特征提取
• 2.2.1 基于几何特征的特征提取方法
• 2.2.2 基于统计特征的特征提取方法
• 2.2.3 基于频率域特征的特征提取方法
• 2.2.4 基于运动特征的特征提取方法
• 2.3 人脸表情特征识别
• 2.3.1 线性分类器
• 2.3.2 模板匹配分类器
• 2.3.3 神经网络分类器
• 2.3.4 支持向量机分类器
• 2.3.5 Adaboost算法分类器
• 2.4 表情数据库的介绍
• 2.5 本章小结
• 第三章 人脸检测和表情图像的预处理
• 3.1 概述
• 3.2 人脸检测
• 3.2.1 基于知识模型的人脸检测法
• 3.2.2 基于统计模型的人脸检测法
• 3.2.3 基于肤色模型的人脸检测法
• 3.3 预处理
• 3.3.1 表情图像的尺度归一化
• 3.3.2 表情图像的灰度归一化
• 3.4 本章小结
• 第四章 基于DWT-PCA/Fisher判别分析的人脸表情特征提取
• 4.1 概述
• 4.2 DWT-PCA/Fisher算法的理论基础
• 4.2.1 小波变换
• 4.2.2 PCA
• 4.2.3 Fisher线性判别方法
• 4.2.4 最近邻分类
• 4.3 DWT-PCA/Fisher线性判别特征提取
• 4.3.1 实验及分析
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 作者简介
• 攻读硕士学位期间研究成果