学位论文 > 优秀研究生学位论文题录展示
基于几何特征的表情识别研究
作 者: 马飞
导 师: 冯乔生;夏幼明
学 校: 云南师范大学
专 业: 计算机软件与理论
关键词: 探针法 扩展六邻域 断点连接 几何特征 权重构造函数 人脸表情识别
分类号: TP391.41
类 型: 硕士论文
年 份: 2006年
下 载: 287次
引 用: 0次
阅 读: 论文下载
内容摘要
人脸表情识别有着广泛的应用前景,逐渐成为当前人机交互领域的研究热点之一。表情识别是智能化和自然的人机交互的本质。实现自然和谐的人机交互,必须使计算机能够有效地理解人的情感和意图。目前与表情分析识别相关的研究主要集中在生理学、心理学和认知科学等领域。迫切需要开展对人脸表情的自动分类方法的研究,这项研究不仅对人机交互有十分重要的意义,而且在计算机辅助的训练及远程教育等众多领域都具有潜在的应用价值。 本文的研究工作是基于人脸的几何特征进行眼睛、眉毛定位以及表情分析与识别的,主要进行了以下五个方面的研究,取得了一定的研究成果。 (1) 在人脸表情原图像的预处理过程中,为防止出现一些小的断点产生不利的影响进行了一定断点连接,提出了基于连通区域的探针法进行上边缘的提取,在对上边缘进行编号记录时对邻接点的范围进行了扩展,提出了扩展六邻域的方法来寻找同一边缘上的点,实验表明本文所提出的方法有效地对断点进行了连接。 (2) 本文结合眼睛、眉毛之间的几何特征约束,提出了基于上边缘相邻四端点的方法进行眉毛和眼睛上边缘的精确定位。 (3) 本文利用以下几个特征对人脸表情的变化进行刻画,眉毛、眼睛的两端点间的斜率、中点到两端点所在直线的距离、嘴巴的上下嘴唇与嘴角间的张角以及上下嘴唇的距离与左右嘴角的距离之间的比值,本文对以上特征数据进行了提取。 (4) 本文提出了一种新的多维特征数据权重函数用于构造各维表情数据的权值,该函数对人脸表情的各维特征数据进行了离散化,增加它们的区分度,此结果已用于人脸表情识别系统中。 (5) 本文在上述研究的基础上,使用VC++6.0完成了人脸表情识别系统FERS,实验表明本文提出算法的有效性及实时性。
|
全文目录
1.基于几何特征的表情识别研究 4-38 摘要 6-7 第一章 引言 7-10 1.1 问题的提出 7-8 1.2 研究背景及现状 8-9 1.3 本文研究内容安排 9-10 第二章 表情分割的预处理 10-16 2.1 表情图像的二值化及断点连接 10-12 2.2 二值化图像连通区域上边缘的提取算法 12-13 2.3 上边缘的过滤及存储 13-16 第三章 基于上边缘的相邻四端点的人眼精确定位 16-23 3.1 眼睛及眉毛定位 16-22 3.2 嘴巴定位 22-23 第四章 表情分析与识别 23-27 4.1 表情特征提取 23-25 4.2 表情特征向量权重函数的设计 25-27 第五章 系统结构与结果 27-31 5.1 实验系统结构 27-28 5.2 实验结果 28-31 第六章 总结和展望 31-33 6.1 本文工作总结 31 6.2 今后的研究工作 31-33 [参考文献] 33-38 2. Facial Expression Recognition Basedon Geometrical Features 38-73 ABSTRACT 40-42 CHAPTER ONE INTRODUCTION 42-46 1.1 The Question Intension 42-43 1.2 Research Context and Actuality Of The Field 43-45 1.3 Arrangement of Paper 45-46 CHAPTER TWO PRETREATMENT OF FACIAL EXPRESSION SEGMENT 46-54 2.1 The Expression Image Binarization and Jointing the Break 46-48 2.2 the connected region extraction algorithms of binarization image up edge 48-50 2.3 Filter and Store the Up edge 50-54 CHAPTER THREE THE LOCATION OF BROW AND EYE BASEDON THE UPEDGE FOUR NEIGHBOURHOOD ENDPOINTS 54-62 3.1 Location of Brow and Eye 55-61 3.2 Mouth Location 61-62 CHAPTER FOUR FACIAL EXPRESSION ANALYSIS AND RECOGNITION 62-67 4.1 Facial Expression Features Extraction 62-65 4.2 the Design of Weight Function of Feature Vector 65-67 CHAPTER FIVE EXPERIMENT STRUCTURE AND RESULT 67-71 5.1 Experiment Structure 67-68 5.2 Experiment Results 68-71 CHAPTER SIX CONCLUSION AND FUTURE DIRECTION 71-73 6.1 Conclusion 71-72 6.2 Future Direction 72-73 3.人眼定位与表情识别研究综述 73-111 第一章 绪论 76-83 1.1 中值滤波 76-78 1.2 图像的二值化 78-83 1.2.1 双峰法 79 1.2.2 P参数法 79-80 1.2.3 最小误差法 80 1.2.4 局部阈值二值化法亦称自适应阈值选取法 80-81 1.2.5 二值化图像边缘的提取 81-83 第二章 人脸检测 83-89 2.1 基于统计模型的人脸检测 83-85 2.1.1 基于神经网络的方法 84 2.1.2 基于隐马尔可夫模型的方法 84-85 2.1.3 子空间法 85 2.2 基于模板匹配的方法 85-87 2.2.1 预定模板匹配法 86 2.2.2 变形模板法 86-87 2.3 基于特征的方法 87-89 2.3.1 基于器官分布规则的方法 87 2.3.2 基于颜色纹理的方法 87-89 第三章 人脸定位 89-93 3.1 基于几何特征的方法 89-90 3.2 基于模板的方法 90-91 3.3 基于模型的方法 91-93 第四章 人脸表情特征提取与识别 93-104 4.1 基于几何特征的方法 94-98 4.1.1 人脸表情的几何特征信息 95-98 4.2 基于模型的方法 98-102 4.2.1 隐马尔可夫模型 98-99 4.2.2 Gabor滤波器 99-100 4.2.3 活动外观模型 100-101 4.2.4 人工神经网络模型 101-102 4.3 小结 102-104 第五章 研究展望 104-105 [参考文献] 105-111 4. A Survey on Eyes Location and Expression Recognition 111-148 CHAPTER ONE INTRODUCTION 113-122 1.1 Median filter 114-116 1.2 The binary image segmentation 116-122 1.2.1 Binary-Conversion 116-117 1.2.2 P—parameter method 117 1.2.3 The Method of Minimal Error 117-118 1.2.4 Local Threshold Binarization 118 1.2.5 The Extraction of Binary-image Edge 118-122 CHAPTER TWO FACE DETECTION 122-129 2.1 Face detection based-on the statistical model 123-125 2.1.1 The Method based-on the Neural Network 123-124 2.1.2 The Method based-on the Hidden Markov Model 124-125 2.1.3 The Subspace Method 125 2.2 Method based-on the Template Matching 125-127 2.2.1 the Pretreatment Template Matching 126 2.2.2 The Deformable Template 126-127 2.3 Method based on Feature 127-129 2.3.1 The Method based on the Distribute the Organ 127-128 2.3.2 The Method based on the Color Texture 128-129 CHAPTER THREE FACE LOCATION 129-134 3.1 Method on the basis of the Geometry Feature 129-130 3.2 Method on the basis of the Template 130-132 3.3 Method on the basis of the Model 132-134 CHAPTER FOUR EXTRACT FACIAL EXPRESSION FEATURES AND RECOGNIZE 134-148 4.1 Method base don the Geometric feature 135-141 4.1.1 The Geometry Feature Information of Facial Expression 137-141 4.2 The Method based on Model 141-146 4.2.1 Hidden Markov Models 141-142 4.2.2 Gabor Filter 142-144 4.2.3 Active Appearance Models 144 4.2.4 Artificial Neural Network model 144-146 4.3 Conclusion 146-148 CHAPTER FIVE FUTURE DIRECTIONS 148
|
相似论文
- 用于检索的人脸特征提取与匹配算法研究,TP391.41
- 民族面部特征提取及其识别算法研究,TP391.41
- 智能教室手势识别算法研究及交互原型系统设计,TP391.41
- 图像纹理特征提取及分类算法研究,TP391.41
- 基于Gabor小波与神经网络的人脸表情识别研究,TP391.41
- 高分辨率SAR图像目标三维特征提取与建模,TN957.52
- 基于双目立体视觉的特征点匹配关键技术研究与应用,TP391.41
- 基于机器视觉的车辆识别算法的研究,TP391.41
- 基于EHMM的表情识别研究,TP391.41
- 人脸表情识别方法的分析与研究,TP391.41
- 基于独立成分分析的人脸表情识别算法研究,TP391.41
- 基于VxWorks的水下目标检测识别系统实现,TP242.6
- 人脸表情识别及其在视频分类与推荐中的应用,TP391.41
- 基于情感几何特征和支持向量机的人脸表情识别研究,TP391.41
- 人脸表情识别方法的研究,TP391.41
- 基于定性视觉特征语义描述的裂纹缺陷仿真,TP391.41
- 人脸表情特征提取与识别算法研究,TP391.41
- 基于几何特征的快速模板匹配算法,TP391.41
- 基于视觉和几何特征的街景图像语义分割,TP391.41
- 基于判别式方法的图像分割及场景理解研究,TP391.41
- 基于可见光图像和红外热像融合的自发表情识别,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|