基于关键子区域特征提取的面部表情识别

摘要

近年来，人工智能技术得到了长足的发展。表情识别作为人工智能领域的一个研究方向，在人机交互等领域有着非常巨大的应用前景。目前对于表情识别技术的研究也越来越深入，但实现准确快速的人脸表情识别仍具挑战。 通过对国内外相关文献进行大量的阅读，对目前表情识别研究存在的问题进行了分析与探讨。针对当前面部关键点检测效率及精度偏低、关键子区域选取不精确且未能被充分利用、面部表情特征描述能力不够强等问题，本文设计了基于关键子区域特征提取的面部表情识别系统，并对其关键技术展开研究。本文的主要工作如下： 针对面部关键点检测问题，首先使用简化后的可变形部件模型（DPM）对面部关键点进行初定位，从而降低DPM的时间复杂度；然后将关键点的初定位信息赋值给 AAM 模型并进行拟合。最终较为快速准确的检测出 68 个面部关键点。 针对关键子区域选取问题，在面部关键点检测的基础上，参照面部运动编码系统（FACS）及显著性原理选定关键子区域，然后将非关键子区域像素置零，在保留面部整体结构的基础上去除了冗余信息的影响。 针对特征提取问题，提出一种改进的局部梯度编码算子：局部均值梯度编码算子（LMGC-HD），改进的算子具有更低的维度，能够充分地描述局部形变，且受随机噪声及边缘变化影响小。 最后，构建了基于关键子区域特征提取的面部表情识别实验系统。采用CK+数据集进行实验，使用支持向量机（SVM）进行分类识别。实验结果证明本文系统能够有效提高面部表情的识别率。

目录

第一个书签之前

摘要

Abstract

第1章 绪论

1.1 选题背景及意义

1.2 国内外研究动态

1.2.1 表情识别的发展历程

1.2.2 面部关键点检测

1.2.3 关键子区域的确定

1.2.4 表情特征提取

1.2.5 表情识别分类器

1.3 人脸表情识别系统的总体结构

1.4 本文主要研究内容与结构安排

第2章 基于DPM与AAM的面部关键点检测

2.1 VJ人脸检测技术

2.1.1 Haar-like特征提取

2.1.2 AdaBoost级联分类器的生成

2.2 DPM概述

2.2.1 HOG特征金字塔的生成

2.2.2 滤波器

2.2.3 DPM建模

2.2.4 DPM模型的训练

2.3 AAM概述

2.3.1 构建AAM模型

2.3.2 AAM模型的拟合

2.3.3 AAM拟合的快速算法

2.4 基于DPM与AAM的关键点检测

2.4.1 当前关键点检测方法存在的问题

2.4.2 DPM初定位的实现

2.4.3 AAM精确定位的实现

2.5 本章小结

第3章 关键子区域选取及表情特征提取

3.1 运动编码系统（Facial Action Coding System）

3.2 视觉显著性原理

3.2.1 强度显著图

3.2.2 方向显著图

3.2.3 颜色显著图

3.2.4 综合显著图

3.3 关键子区域的选取

3.4 基于LGC的LMGC-HD特征的提取

3.4.1 LBP算法原理

3.4.2 LGC算法原理

3.4.3 LMGC-HD算子

3.4.4 特征生成

3.5 本章小结

第4章 基于关键子区域特征提取的面部表情识别系统的实现

4.1 SVM的分类原理

4.1.1 线性支持向量机

4.1.2 非线性支持向量机

4.1.3 多分类支持向量机

4.2 表情识别系统的实现

4.2.1 数据库的选取及实验环境简介

4.2.2 实验描述

4.2.3 实验结果分析

4.3 本章小结

第5章 结论与展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢