基于面部特征的性别和表情识别算法研究

摘要

性别和表情识别因其在人机交互、安全驾驶、安全监控等领域的应用，而得到了模式识别、人工智能、应用数学等学科研究者的关注。但性别和表情识别算法容易受到姿态、光照等条件的影响，而且泛化能力不强。本文在前人研究的基础上，提出了一种新的基于面部特征的性别和表情识别方法。 首先，采用分块局部二值模式作为性别和表情识别的特征，该特征可以突出人脸不同部位的差异性，而且对于光照、旋转等具有一定的鲁棒性，具有较好的区分能力。 然后，提出并实现了基于梯度提升决策树算法的性别和表情识别算法。梯度提升决策树算法由决策树和梯度提升框架组合而成，是解决分类和回归问题较成熟的方法，本文将其用于人脸图像的性别和表情识别中。该方法可直接用于多分类，相较于其他分类算法处理较大规模的数据更有优势，并且有较好的泛化能力。 最后，在东北大学应用数学自建性别库和Cohn-Kanade++表情数据库上使用本文方法进行测试，分别取得了94.4％和93.1％的识别率。同时，为了验证本文算法的泛化能力，在FERET性别库和JAFFE表情库中也分别进行了测试，识别率分别为92％和85％，达到了预期的效果。

目录

声明

摘要

1．1研究背景及意义

1．2性别和表情识别综述

1．2．1性别识别历史及主要方法

1．2．2表情识别历史及主要方法

1．3性别和表情识别难点

1．4本文结构安排

第2章局部二值模式

2．1人脸特征提取方法

2．2局部二值模式

2．3．1灰度不变的LBP算子

2．3．2旋转不变的LBP算子

2．3．3 LBP的等价模式

2．4本章小结

第3章梯度提升决策树算法

3．1决策树

3．1．1决策树的学习过程

3．1．2决策树的特征选择

3．1．3分类决策树的生成

3．1．4回归决策树的生成

3．2梯度提升方法

3．2．1提升方法

3．2．2梯度提升方法

3．3梯度提升决策树算法

3．3．1回归树的大小

3．3．2正则化

3．4本章小结

第4章基于梯度提升决策树的性别和表情识别算法

4．1基于梯度提升决策树算法的性别和表情识别算法的建立

4．1．1图像预处理

4．1．2 LBP特征提取

4．1．3基于梯度提升决策树的分类算法

4．2实验参数的确定

4．2．1性别识别参数设定

4．2．2表情识别参数设定

4．3本章小结

第5章实验结果分析及总结展望

5．1性别识别算法实验结果分析

5．1．1实验数据库

5．1．2实验结果及分析

5．1．3错误分类原因分析

5．2表情识别算法实验结果分析

5．2．1实验数据库

5．2．2实验结果及分析

5．2．3错误分类原因分析

5．3总结及展望

5．3．1本文工作总结

5．3．2性别和表情识别算法展望

参考文献

致谢