基于Gabor特征和Adaboost算法的人脸表情识别研究

摘要

表情是人类表达情绪的基本方式之一，面部表情在人们交流中有着重要的作用，它不仅可以准确表达人类的思想感情，而且也可以通过面部表情来了解对方的态度和内心世界。自动表情识别是计算机理解人类情感的前提，在现实生活中有着无限的潜力，例如人机交互、情感计算、心理学研究、谎言辨别，临床医学等。正是由于这种特殊的作用，所以人们对表情自动识别进行了大量的研究。近20年来，人脸表情识别的方法有了非常显著的进步。但是由于人脸表情识别涉及图像处理、心理学、计算机视觉、人工智能等多个学科交叉，正是由于这种多学科交叉的复杂性和特殊性，使得表情识别比较困难，当前人们仍面临着许多亟待解决的问题。
　　 本文着眼于表情识别的准确性，在几个关键问题上进行了探索性的研究，本文的主要内容包括以下几个方面：
　　 首先，对Adaboost算法进行了研究。主要研究了如何利用Adaboost算法进行多类分类的问题。Adaboost算法可以将一系列的弱分类器组合，生成一个强分类器，而对于表情识别这个多类分类的问题，文中采取1:1办法来解决，把生成的k（k-1）/2（k为总类别数）个强分类器进行级联，从而可以完成人脸表情的多类识别。
　　 其次，分析和比较了多种分类器。分析了最近邻法和决策树的原理，针对不同分类器的特点，将它们进行比较。针对人脸表情识别问题，分别使用这两种分类器作为Adaboost算法的弱分类器进行识别，比较了它们的性能。
　　 然后研究了表情特征提取的算法，对Gabor滤波器的原理进行了深入的分析和研究，并对Gabor特征的参数确定进行了分析和对比，从而获取最适合本系统的Gabor特征参数。
　　 最后将Adaboost算法，决策树分类器，Gabor特征结合，进行人脸表情识别研究，并使用JAFFE人脸表情数据库，以及Yale数据库中的表情图像进行测试。并对本文工作进行了阶段性的总结，也明确了下一步工作的方向和目标。
　　 本论文所提出的基于Gabor特征和Adaboost算法的人脸表情识别方法，可以有效的解决多类分类的问题，实验结果也表明了该算法可以提高识别的准确率，获得较好的识别效果。

目录

文摘

英文文摘

声明

第1 章 绪 论

第2 章 人脸表情的特征获取

第3 章 Adaboost 算法原理

第4 章 人脸表情分类器分析

第5 章 实验分析

第6 章 总结与展望

参 考 文 献

致 谢

附录A 攻读学位期间的研究成果