基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別算法研究.pdf

1、人臉面部表情是表達(dá)情感信息的重要交互工具,在需求高的智能化人機(jī)交互中具有潛在應(yīng)用價(jià)值。作為人機(jī)交互技術(shù)的重要組成部分,表情識(shí)別技術(shù)涉及計(jì)算機(jī)視覺、情感計(jì)算、圖像處理、智能控制和模式識(shí)別等多個(gè)研究領(lǐng)域,成為近年來國內(nèi)外的研究熱點(diǎn)。當(dāng)前自動(dòng)化的表情識(shí)別系統(tǒng)主要解決人臉檢測、表情特征提取和分類識(shí)別三個(gè)關(guān)鍵問題。經(jīng)過近40年的發(fā)展,很多用于表情識(shí)別的特征提取算法和分類器逐漸被提出,并取得了很大進(jìn)步。但是,這離實(shí)際應(yīng)用需求還有相當(dāng)?shù)木嚯x,促使我們

2、對(duì)表情識(shí)別問題作進(jìn)一步研究和探索。
　　 針對(duì)目前已有的表情識(shí)別算法識(shí)別率和學(xué)習(xí)效率不高、尤其是對(duì)于幅度較小的表情種類識(shí)別率低下的問題,本文提出一種基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別算法。該算法主要包括表情圖像預(yù)處理、特征提取和降維、分類識(shí)別三部分。首先,對(duì)輸入的原始表情圖像進(jìn)行幾何預(yù)處理和灰度預(yù)處理,減少噪聲,為后面的表情特征提取做好準(zhǔn)備。
　　 其次,在表情特征提取方面,本文提出一種Gabor小波變換和“二維主成分分

3、析(two-DimensionalPrincipalComponentAnalysis,2DPCA)+模糊線性判別分析(FuzzyLinearDiscriminantAnalysis,FuzzyLDA)”相結(jié)合的新的特征提取組合策略。該算法先對(duì)預(yù)處理后的表情圖像進(jìn)行Gabor小波變換,提取Oabor特征;然后對(duì)高維Gabor特征進(jìn)行采樣因子為4的下采樣,以達(dá)到初步降維的目的,再采用2DPCA算法對(duì)采樣后的特征向量進(jìn)行二次降維,得到維數(shù)較

4、低的表情特征;最后,將傳統(tǒng)的LDA方法引入模糊集理論,利用模糊LDA算法提取最具鑒別意義的表情特征,該特征具有低維且最有利于分類的優(yōu)點(diǎn)。
　　 然后,在表情的分類識(shí)別方面,本文構(gòu)造一個(gè)動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DynamicFuzzyNeuralNetwork,DFNN)分類器,用來對(duì)表情圖像進(jìn)行分類識(shí)別。識(shí)別過程中,先將上述特征提取方法所提取的訓(xùn)練樣本集表情特征和相應(yīng)的表情類別分別作為DFNN分類器的輸入輸出樣本,對(duì)DFNN進(jìn)行設(shè)計(jì)和

5、訓(xùn)練,再利用訓(xùn)練好的DFNN分類器對(duì)測試樣本進(jìn)行分類。
　　 最后,本文利用MATLABR2011a仿真平臺(tái),在日本女性表情數(shù)據(jù)庫(JAFFE)上對(duì)本文提出的表情識(shí)別算法進(jìn)行驗(yàn)證,并分別與其他表情特征提取算法(Gabor小波+PCA,Gabor小波+PCA+LDA,Gabor小波+2DPCA)和分類器(BP,RBF,LVQ,SVM,HMM)展開對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,本文算法在識(shí)別效率和性能方面均優(yōu)于其他算法,尤其對(duì)于幅度較小的