基于Gabor小波和2DPCA方法的人脸表情识别算法

摘要

人脸表情识别（Facial Expression Recognition，简称FER）是在人脸识别的基础上发展起来的一个重要分支。在日常生活交往中，表情传送的信息量达到55％，远远高于语言传达的7%的信息量。因此透过表情能更清楚的分析一个人的内心活动以及其对一件事情的看法。表情识别应用于众多领域，如神经分析、人机交互、机器视觉、行为科学等。人脸表情识别中由于表情特征维数大导致识别效率低，本文结合Gabor变换和2DPCA提出了基于Gabor小波和2DPCA的人脸表情识别算法，并利用最近邻分类和支持向量机对表情进行分类，最高获得了94.29%的识别率。
　　首先，对表情图像进行预处理得到归一化的样本图像。图像的预处理主要是实现分割人脸区域，归一化图像的大小，调整图像的灰度，增强图像的对比度等操作。
　　其次，本文采用基于外貌特征的Gabor小波提取表情的纹理特征。首先将多种尺度不同方向的Gabor滤波器分别与图像进行卷积，提取其纹理特征。由于一幅图像经过Gabo r小波提取出的特征维数相当大，因此本文采用传统二维主元分析（2DPCA）及其两种改进算法：左侧二维主元分析（L2DPCA）和双边二维主元分析（B2 DPCA），分别对纹理特征进行进一步的最大无关特征向量提取，最后用主成分分析（PCA）对特征向量进行降维处理得到一个行向量。这样一幅表情图像经过特征提取以及降维后形成了一个代表此表情图像特征的行向量，利用产生的行向量对表情进行识别。
　　最后，本文分别利用最近邻分类算法与支持向量机对表情进行识别。
　　实验选用日本女性人脸表情数据库（Japanese Female Facial Expression, JAFFE）和康奈尔大学的表情数据库（Facial Expression Database，K-FEDB）来进行实验。实验结果表明，结合Gabor小波和2DPCA方法既有效的降低了表情图像的特征维数，又保留了表情的基本特征信息，在实验中取得了较高的识别率。此外，传统2 DPCA和B2DPCA在表情识别中的效果基本相同，但是B2DPCA与传统的2DPCA和L2DPCA相比，降低了特征矩阵的维数；而且最近邻分类比支持向量机更适合人脸表情的识别。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 本文研究的背景与意义

1.2 人脸表情识别的研究现状

1.3 人脸表情特征提取技术

1.4 论文的研究内容及安排

第二章 人脸表情图像预处理

2.1 人脸区域的分割

2.2 图像尺度归一化

2.3 图像去噪的方法

2.4 图像的灰度变换

2.5 直方图均衡化

2.6 预处理后的表情图像

2.7 本章小结

第三章 基于Gabor小波与2DPCA的人脸表情特征提取

3.1 Gabor小波

3.2 主成分分析PCA

3.3 二维主元分析

3.4 特征提取的设计过程

3.5 本章小结

第四章 实验

4.1 分类识别器简介

4.2 建立实验样本库

4.3 实验设计及结果分析

4.4 本章小结

第五章 总结与展望

5.1 工作总结

5.2 前景展望

参考文献

致谢