基于人脸识别技术的面部表情研究

摘要

人脸面部表情包含着复杂的内在情感，是人与人交流的重要途径，近年来一直是机器视觉、人机交互与模式识别等研究领域的热点话题。表情识别的现实意义是让计算机根据人类的“脸色”行事，使计算机更加理解人类的想法，更加智能化，同时使人机交互的过程更加自然。表情识别通常分为四部分:获取表情图像样本、图像预处理、表情特征提取和表情特征分类，其中特征提取和特征分类是表情识别的核心技术。
　　针对当下表情识别率低的问题，本文采用了LBP分区结合IWO-ELM的表情识别方法进行表情自动分类，主要研究工作如下。
　　首先，为了排除光照对表情识别的影响，本文设计了表情图像采集装置，并对采集到的图片进行了预处理操作。
　　其次，进行人脸识别与特征提取。在AdaBoost人脸检测器的基础上，结合OpenCV函数库实现人脸识别与特征点定位。通过分析几种典型的表情特征提取算法，采用LBP分区算法作为本文特征提取的方法。
　　最后，进行特征分类。建立ELM分类模型，并对分类模型进行IWO优化。利用训练样本进行训练，构造出每一类的表情模型，用测试样本进行预测和估计。
　　本文选取日本JAFFE表情库、中科院的CASME表情库以及采集装置采集到的表情图像作为实验样本;通过大量的实验来验证本文使用方法的性能，经过实验证明，本文构建的表情识别系统拥有85％以上的正确分类率。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状及分析

1．3 表情自动识别概述

1．3．1 表情特征提取方法

1．3．2 表情分类常用方法

1．4 本文主要研究内容及每章节安排

第2章 表情图像采集装置的设计

2．1 表情图像采集装置的组成

2．2 表情图像采集装置的设计特点

2．3 系统界面以及系统评价指标的设计

2．3．1 表情识别系统界面的设计

2．3．2 表情识别系统评价指标的计算

2．4 本章小结

第3章 人脸检测与特征提取

3．1 人脸检测与特征点定位

3．1．1 基于AdaBoost算法的人脸检测

3．1．2 特征点定位

3．2 图像预处理

3．3 LBP特征提取算法原理

3．3．1 基本LBP算子

3．3．2 圆形邻域LBP算子

3．4 LBP分区特征提取及实验结果

3．5 本章小结

第4章 表情分类

4．1 分类算法研究

4．1．1 基于SVM的表情分类

4．1．2 基于ELM的表情分类

4．2 入侵杂草算法优化ELM神经网络

4．2．1 入侵杂草算法

4．2．2 IWO优化ELM神经网络

4．3 分类算法对比实验

4．4 本章小结

第5章 实验与结果分析

5．1 建立实验样本库

5．2 实验结果与分析

5．2．1 光照条件对实验结果的影响

5．2．2 样本数量对分类实验的影响

5．3 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢