基于Gabor小波变换和SVM的人脸表情识别

摘要

人脸表情识别在电子教育、和谐人机交互、机器人、医疗行业等领域都具有广泛的应用前景；对于模式识别、计算机视觉、计算机图形学、人工智能、生理学、心理学等多种学科的发展也具有重要的作用。 本文在总结人脸表情识别关键技术的基础上，利用Gabor小波变换在图像特征提取方面的优势和支持向量机在小样本问题中表现出的良好的分类能力，提出了一种人脸表情识别的方法，该方法应用Gabor小波变换和PCA+FLD提取表情特征，并利用SVM进行表情分类。 首先，利用积分投影确定人眼的中心位置，并根据人眼中心坐标进行图像的几何预处理。采用直方图均衡化方法对表情图像进行光照补偿，以减少图像间的灰度差异。在此基础上，构造了5个尺度、8个方向的Gabor小波族，用这40个Gabor小波对图像进行卷积，并取卷积后的幅值作为图像的特征信息。对得到的Gabor系数先进行下采样，然后结合主分量分析（PCA）和Fisher线性判别分析（FLD）进一步降低特征维数及训练特征空间，这样得到的特征既提高了表情的识别速度，又使表情图像更易于分类。最后，将所有的表情图像投影到特征空间，并用支持向量机对七种表情（生气、厌恶、恐惧、高兴、伤心、惊讶和中性表情）进行分类。 文中进行了与人有关的表情识别和与人无关的表情识别两组实验，实验结果表明该方法是一种有效的人脸表情识别方法。

目录

文摘

英文文摘

声明

1 绪论

1.1课题背景和意义

1.2国内外研究现状

1.3人脸表情识别系统

1.3.1人脸检测

1.3.2图像预处理

1.3.3人脸特征检测

1.3.4人脸表情分类

1.4表情识别的难点

1.5本文主要研究内容与结构安排

2表情图像的预处理

2.1概述

2.2人眼定位

2.2.1人眼粗定位

2.2.2双眼框定

2.2.3人眼精确定位

2.3几何预处理

2.3.1人脸图像旋转校正

2.3.2人脸图像切割

2.3.3人脸图像缩放

2.4灰度预处理

2.5本章小结

3基于Gabor小波变换的人脸表情特征提取

3.1小波变换原理

3.2 Gabor小波

3.2.1一维Gabor小波

3.2.2二维Gabor小波

3.2.3人脸图像的二维Gabor小波变换

3.2.4 Gabor特征的下采样

3.3主成分分析

3.4 Fisher线性判别分析

3.5基于Gabor小波和PCA+FLD的人脸表情特征提取

3.6实验结果与分析

3.7本章小结

4基于SVM的人脸表情识别

4.1概述

4.2统计学习理论

4.2.1 VC维

4.2.2推广性的界

4.2.3结构风险最小化

4.3支持向量机

4.3.1最优分类面

4.3.2 SVM的核函数

4.4多类支持向量机算法

4.4.1“一对多”SVM

4.4.2“一对一”SVM

4.4.3有向无环图SVM

4.5基于SVM的表情识别实验与分析

4.6本章小结

5总结与展望

致 谢

参考文献