實時人臉精細表情識別方法研究.pdf

1、近年來，隨著計算機軟硬件的不斷發(fā)展，人類與計算機的關系越來越密切，人機交互的程度愈發(fā)加深。面部表情識別是人工智能和計算機視覺的熱門研究領域。主流的識別方法基于靜態(tài)圖像給出相應的表情標簽，而為了更加接近現實世界的交流過程，表情識別不應該僅限于給出幾種分類結果，更應該對表情的動態(tài)變化過程做出更加細致的分析和研究。
　　本文針對精細的表情識別展開研究，在對表情視頻序列提取動態(tài)特征的基礎上，提出了一套實時的表情分類以及強度分析框架。該框架

2、以視頻序列為原始數據，在人臉檢測、特征點跟蹤的預處理過后，根據提取出的動態(tài)特征進行表情分類，再對表情序列進行強度分析以得到更加精細的分類結果。通過該方法的分析，表情視頻序列可獲得表情的標簽，以及動態(tài)變化的表情強度分析結果。
　　本文的主要研究內容和成果包括：
　　(1)提出一個精細表情識別的算法框架。該算法框架通過對表情序列分類得到表情標簽，并且可以結合本文提出的表情強度計算模型，得到表情的精細分析結果。
　　(2)提

3、出一種實時的面部特征點跟蹤方法以提取表情的動態(tài)特征。該方法在活動輪廓模型的基礎上，引入了斑塊模型以表征面部的外表特征，結合形狀特征，得到了更加精確的面部特征點跟蹤結果。
　　(3)提出一種訓練動態(tài)表情分類器的優(yōu)化算法。通過自適應的過程確定隱馬爾可夫模型的最優(yōu)隱藏狀態(tài)數，從而使表情序列的模型最優(yōu)化，得到了相比簡單隱馬爾科夫模型更高的識別準確率。
　　(4)建立表情強度計算模型，以面部特征點的總體勢能表征表情變化的強度值，結合從

4、表情序列模型中提取的狀態(tài)轉換參數，使用線性回歸擬合出表情強度曲線。通過對比同種表情的多條強度曲線，能夠對該表情類型中的個體進行細分，從而達到精細表情識別的目的。
　　(5)設計并實施表情分析的實驗，以驗證本文提出的算法框架的有效性，本文使用Cohn-Kanade數據庫中的表情視頻序列進行測試。對比改進前的分類算法，表情的識別正確率得到了提升。而且，經過對表情模型的強度分析，表情序列被提取出了時空域的變化信息，使我們能夠對已分類表情