基于DWT-KPCA的區(qū)域化人臉運動單元識別的研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展以及網(wǎng)絡(luò)安全的日漸成熟，人們期待能夠?qū)崿F(xiàn)更好更和諧的人機交互環(huán)境，讓計算機根據(jù)人的表情做出相應(yīng)的反應(yīng)，這一要求推動了人臉運動單元(Action Units，AU)識別的快速發(fā)展。AU反映的是更細微層面的人臉表情特征，不同的AU組合不僅能表示六種基本表情，更能體現(xiàn)出現(xiàn)實生活中人臉形成的自然表情，在多個領(lǐng)域有著重要的應(yīng)用前景。通過分析大量文獻資料，我們發(fā)現(xiàn)人臉AU的研究主要分為上下兩部分單獨進行。之后采用典型的AAM

2、算法提取人臉AU的形變特征進行量化，最后利用經(jīng)典SVM算法進行AU分類。然而，AAM算法需要手工標記，工作量很大，而且實時性也受到了很大的限制，而SVM算法需要分析并調(diào)節(jié)兩個重要參數(shù)，使得識別過程比較困難。同時，由于待識別的基本AU和組合AU種類多且AU樣本具有重復(fù)性，使得分類識別的結(jié)果不夠理想。
　　本文根據(jù)AU與特定人臉肌肉運動相對應(yīng)的特點，提出將旋轉(zhuǎn)矯正后的人臉區(qū)域進行局域化處理，然后針對不同的子區(qū)域圖像分別研究其對應(yīng)的AU

3、。我們利用上半人臉區(qū)域快速定位出人眼位置，找到兩個眼睛的中心坐標作為研究基礎(chǔ)，利用幾何關(guān)系定位出眉眼區(qū)域、鼻子區(qū)域和嘴部區(qū)域。之后根據(jù)眉眼區(qū)域特征提出了改進的眉毛和眼睛分割算法。將提取到的五部分人臉子區(qū)域圖像進行歸一化處理，為后續(xù)的特征提取和分類識別階段奠定基礎(chǔ)。在特征提取階段，我們首先研究了經(jīng)典的PCA算法，根據(jù)PCA算法忽略了圖像的高階相關(guān)性這一不足，提出利用KPCA算法進行AU特征提取。而DWT（離散小波變化）能對圖像進行分解，使