学位论文 > 优秀研究生学位论文题录展示
面部表情识别方法的研究
作 者: 欧阳琰
导 师: 桑农
学 校: 华中科技大学
专 业: 控制科学与工程
关键词: 表情识别技术 面部运动单元 稀疏编码 多分类器融合 基于参数估计的稀疏编码
分类号: TP391.41
类 型: 博士论文
年 份: 2013年
下 载: 680次
引 用: 0次
阅 读: 论文下载
内容摘要
人脸表情识别技术能够使计算机识别人的表情,从而营造真正和谐的人机环境。表情识别对建立友好的人机交互界面有着非同一般的重要意义。如今表情识别技术已经深入应用到了我们日常生活中的多个领域:远程教育系统、疲劳驾驶检测系统和微笑检测技术等。因此,本文着重研究了表情识别中的几项关键技术。表情识别技术不同于人脸识别和纹理识别,它拥有自己独有的定义和特性。如今,表情识别关键技术的研究重点主要体现在两个方面:(1)利用表情的独有特性(面部运动单元)来改进经典的人脸识别或者纹理识别方法;(2)模拟生物视觉系统提出表情识别方法,使该方法拥有生物视觉系统的特点,即对噪声和遮挡等具有一定的鲁棒性。本文通过研究以上两个方面中的现有先进关键技术,综合运用了数字图像处理、生物视觉感知等人工智能技术对这些关键技术进行了改进。基于面部运动单元的表情识别方法是当前表情识别方法中的关键技术之一,本文在认真分析经典算法的基础上,提出了新的特征组合策略和采用了分类能力更强的分类器训练方法,从而进一步提高了识别准确率。但是,基于面部运动单元的表情识别方法是没有考虑表情识别中的噪声和遮挡等关键问题的。因此,本文对另一项表情识别方法中的关键技术也进行了研究,即对遮挡鲁棒的表情识别技术。由于生物视觉系统能够非常轻易的分辨出带有噪声和遮挡的人脸表情,因此在模拟生物视觉系统的基础上,基于稀疏表达的分类方法被越来越多的应用到表情识别之中。本文在研究稀疏表达的基础上,根据不同的应用情况提出了多种改进思路:(1)为了提高基于稀疏表达分类方法的识别率,提出了采用方向梯度直方图描述子替代传统的特征;(2)提出了一种模拟生物视觉的表情识别模型,并以此模型为标准确定了局部二值化模式与方向梯度直方图是最佳的特征提取方式,并使用基于贝叶斯理论的分类器融合方法对基于两种特征的分类方法进行了决策级上的融合,进一步提升了识别准确率;(3)针对前面两种方法运算时间过高的问题,提出了2项特征选取准则,并根据该准则选取出了新的特征,虽然使用该特征分类方法的识别准确率不如前面两种方法,但是处理单幅图像的运算时间大幅下降,并且其识别准确率是高于现有基于稀疏表达的分类方法。(4)为了进一步提高分类方法的鲁棒性,使用了一种基于参数估计的稀疏编码求解方法,并证明该方法能够提升基于稀疏表达表情识别方法的鲁棒性。
|
全文目录
摘要 4-6 Abstract 6-8 目录 8-12 1 绪论 12-26 1.1 研究意义与应用前景 12-14 1.2 人脸表情的基本定义 14-17 1.3 表情识别方法概述 17-23 1.4 论文的主要研究内容 23 1.5 论文的结构 23-26 2 基于面部运动单元的表情识别方法 26-44 2.1 基于面部运动单元成分特征的表情识别方法 27-32 2.2 基于面部运动单元组合特征的表情识别方法 32-38 2.3 实验与分析 38-43 2.4 本章小结 43-44 3 基于稀疏表达的分类方法 44-59 3.1 稀疏编码原理 44-45 3.2 基于稀疏表达的分类方法介绍 45-47 3.3 稀疏编码在表情识别中的应用 47-49 3.4 实验与分析 49-57 3.5 本章小结 57-59 4 基于HOG特征与稀疏编码的表情识别方法 59-70 4.1 HOG特征提取 61-64 4.2 基于HOG特征的鲁棒表情识别方法 64-65 4.3 实验与分析 65-69 4.4 本章小结 69-70 5 基于多稀疏编码分类器融合的表情识别方法 70-86 5.1 模拟生物视觉神经网络的表情识别模型 73-75 5.2 提取LBP特征 75-77 5.3 分类器组合策略 77-81 5.4 基于多稀疏编码分类器融合的表情识别方法 81 5.5 实验与分析 81-85 5.6 本章小结 85-86 6 基于LBP map特征与稀疏编码的表情识别方法 86-98 6.1 典型特征提取算法的加速方法分析 86-90 6.2 特征选取准则 90-91 6.3 LBP map提取 91-93 6.4 基于LBP map的稀疏编码表情识别方法 93 6.5 实验与分析 93-97 6.6 本章小结 97-98 7 基于参数估计的稀疏编码在表情识别中的应用 98-105 7.1 基于参数估计的稀疏编码求解原理 98-100 7.2 基于参数估计的稀疏编码模型的表情识别方法 100-102 7.3 实验与分析 102-104 7.4 本章小结 104-105 8 结论与展望 105-107 8.1 研究结论 105-106 8.2 研究不足 106-107 致谢 107-108 参考文献 108-115 附录1 攻读学位期间发表的学术论文 115-116 附录2 公开发表的学术论文与博士学位论文的关系 116-117 附录3 攻读学位期间参与课题 117
|
相似论文
- 图像的稀疏表示及编码模型研究,TP391.41
- 统计与语言学相结合的词对齐及相关融合策略研究,TP391.2
- 复杂场景中的时空特征学习与人体行为分析,TP391.41
- 基于监督学习的图像局部特征点检测子研究,TP391.41
- 基于稀疏非负矩阵分解的图像检索,TP391.41
- 基于稀疏编码与机器学习的图像内容识别算法研究,TP391.41
- 视频中人体行为识别的判别稀疏编码方法研究,TP391.41
- 大鼠前额叶皮层神经元集群对工作记忆事件稀疏编码的研究,R318.0
- 粗糙集在纹理图像分类中的应用研究,TP18
- 通过一种不确定性度量ambiguity来确定模糊密度,O159
- 特殊结构的模糊测度在多分类器融合中的比较,O159
- 非负稀疏编码图像基学习算法研究,TP301.6
- 人脸表情特征提取与识别算法研究,TP391.41
- 基于视觉生理特性的视皮层假体图像处理策略,TP391.41
- 基于学习的压缩图像恢复方法,TP391.41
- 基于视觉通路目标识别算法的研究,TP391.41
- 复模糊积分及其应用,O159
- 基于稀疏性理论的人脸识别方法研究,TP391.41
- 基于稀疏编码理论的自然图像处理研究,TP391.41
- 基于独立分量分析的图像去噪方法研究,TP391.41
- 基于稀疏编码的视觉模型及其应用,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
|