基于多特征融合的表情與微表情識(shí)別研究.pdf

1、人臉面部表情包含著復(fù)雜的內(nèi)在情感，是人與人交流的重要途徑，近年來(lái)一直是計(jì)算機(jī)視覺(jué)、人機(jī)交互與模式識(shí)別等研究領(lǐng)域的熱點(diǎn)話題。普通的面部表情通常被視為夸張表情，表現(xiàn)為面部肌肉運(yùn)動(dòng)明顯，容易被人察覺(jué)到；而微表情則是在普通面部表情基礎(chǔ)上由Ekman等人發(fā)現(xiàn)的更為隱蔽的表情，由于其持續(xù)時(shí)間短，故而命名為微表情。
　　本文針對(duì)目前表情及微表情識(shí)別率低的問(wèn)題，提出了HLBP與Gabor特征相融合的特征提取算法，主要研究工作如下：
　　首先

2、，為了排除光照不均、尺度不一等干擾情況，對(duì)人臉區(qū)域進(jìn)行分割、直方圖均衡化、對(duì)比度增強(qiáng)、尺度歸一化。
　　其次，特征提取是表情和微表情識(shí)別最關(guān)鍵的步驟。本文采用將Gabor和分塊的HLBP相融合的方法對(duì)表情與微表情靜態(tài)圖像進(jìn)行識(shí)別，并將HLBP算法進(jìn)行在時(shí)間上拓展形成HLBP-TOP算法，并將其應(yīng)用于微表情圖像序列的識(shí)別。前者主要涉及Gabor濾波器的方向尺度參數(shù)和Haar閾值的選取，本文對(duì)比多組實(shí)驗(yàn)選取最優(yōu)的值進(jìn)行分類識(shí)別；后者在

3、前者的基礎(chǔ)上對(duì)Haar閾值運(yùn)用統(tǒng)計(jì)學(xué)思想進(jìn)行優(yōu)化。兩種特征提取算法的融合，可以更好地保留圖像的有用信息。
　　最后，進(jìn)行表情分類與識(shí)別。本文選用極限學(xué)習(xí)機(jī)和支持向量機(jī)兩種方法對(duì)圖像進(jìn)行分類。先對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，構(gòu)造出每一類的表情模型，再對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)和估計(jì)。
　　實(shí)驗(yàn)選取日本女性人臉表情庫(kù)JAFFE和中科院的CASME微表情數(shù)據(jù)庫(kù)。為了驗(yàn)證算法的有效性，對(duì)于CASME數(shù)據(jù)庫(kù)，本文分別建立了序列微表情庫(kù)和靜態(tài)微表情庫(kù)，靜