基于非线性降维的人脸表情识别若干算法的研究

论文摘要

脸部表情是一种重要的形体语言,在人们传递的情感信息当中,只有7%的信息是通过言词来传递,38%是通过声音来传递的,而55%的信息则是通过脸部表情来传递的。人脸表情识别就是利用计算机提取人脸表情图像的特征信息,根据特征的不同将表情图像归为不同表情类别中,它使得计算机能够根据表情图像分类的结果,推断人的心理状态,从而实现人机之间的自然交互。尽管目前人脸表情识别技术已经取得了不少进展,但现实生活中光照、姿态、噪声、遮挡物等各种因素影响,要实现大规模的应用仍需进一步研究。本文分析了有关人脸表情识别技术的国内外研究现状,对计算机人脸表情识别的若干问题进行了探讨,着重研究了非线性数据降维在人脸表情识别中的应用,并根据进行了一系列表情识别实验结果综合成本文。论文的工作主要包括以下几个方面：1.对人脸表情识别的研究现状和常用的人脸表情识别算法作了介绍,而且对SVM分类器作了较详细介绍。2.对数据降维方法作了介绍和比较,详细介绍了几种常用的非线性数据降维算法,并分析了其主要优点与不足。3.研究了基于SNE降维和SVM作为分类器的人脸表情识别方法。对SNE算法作了详细介绍,并将其应用于人脸表情特征降维,在JAFFE数据库和上进行了实验,与LDA+SVM算法和PCA+SVM算法进行了比较,基于SNE+SVM的非特定人的人脸表情识别方法在JAFFE数据库上最高的识别率可以达到65.7%,均高于以上两种方法。4.研究了基于GPLVM降维和SVM作为分类器的人脸表情识别方法。对GPLVM算法作了详细介绍,并将其应用于人脸表情特征降维,在JAFFE数据库和上进行了实验,与LDA+SVM算法和PCA+SVM算法进行了比较,基于GPLVM+SVM的非特定人的人脸表情识别方法在JAFFE数据库上的最高识别率可以达到65.24%,均高于以上两种方法。5.研究了基于SPE降维和SVM作为分类器的人脸表情识别方法。对SPE算法作了详细介绍,并将其应用于人脸表情特征降维,在JAFFE数据库和上进行了实验,与LDA+SVM算法和PCA+SVM算法进行了比较,基于SPE+SVM的非特定人的人脸表情识别方法在JAFFE数据库上的最高识别率可以达到69%,此外,在分表情识别的试验表明SPE+SVM比PCA+SVM算法在一些容易混淆的表情上的识别效果有了很大的提高,以及SPE+SVM算法具有可以在表情数据降维至比较低的维数区间达到较高的表情识别率的特点,这表明由于SPE算法能够对表情数据进行有效的特征提取,以及该算法的鲁棒性强等特点。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景及意义
• 1.2 人脸表情识别概述
• 1.3 人脸表情识别的国内外研究现状
• 1.3.1 人脸检测与定位
• 1.3.2 人脸表情特征提取的方法
• 1.3.3 人脸表情分类方法简介
• 1.4 本文的主要工作及结构安排
• 第二章 数据降维算法概述
• 2.1 引言
• 2.2 具有代表性的一些线性降维方法
• 2.2.1 主成分分析（PCA）
• 2.2.2 线性判别分析（LDA）
• 2.2.3 多维尺度变换（MDS）
• 2.3 具有代表性的一些非线性降维方法
• 2.3.1 核主成分分析（Kernel PCA）
• 2.3.2 等距离映射（Isomap）
• 2.3.3 局部线性嵌入法（Locally Linear Embedding）
• 2.4 降维算法的分析与比较
• 2.5 本章小结
• 第三章 基于SNE与SVM的人脸表情识别
• 3.1 引言
• 3.2 随机邻域嵌入（SNE）的原理简介
• 3.3 SVM分类器的原理
• 3.3.1 支持向量机简介
• 3.3.2 使用一对多分解算法的多类支持向量机
• 3.4 实验
• 3.4.1 实验的数据库以及表情图像的预处理
• 3.4.2 实验步骤
• 3.4.3 实验结果以及分析
• 3.5 本章小结
• 第四章 基于GPLVM与SVM的人脸表情识别
• 4.1 引言
• 4.2 GAUSSIAN PROCESS LATENT VARIABLE MODELS（GPLVM）的原理
• 4.3 实验和结论
• 4.3.1 实验的流程
• 4.3.2 实验的参数优化以及结果的比较
• 4.4 本章小结
• 第五章 基于SPE与SVM的人脸表情识别
• 5.1 引言
• 5.2 SPE的原理
• 5.2.1 传统数据降维算法的困难以及SPE算法的引入
• 5.2.2 Stochastic Proximity Embedding算法步骤
• 5.3. 基于SPE与SVM的人脸表情识别
• 5.3.1 实验的构造
• 5.3.2 实验过程中的SVM参数的选择
• 5.3.3 实验结果分析及与其他算法的比较
• 5.4 本章小结
• 总结
• 参考文献
• 攻读学位期间发表论文
• 致谢