資源描述：
《多特征融合的人臉表情識(shí)別》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第33卷第2期肇慶學(xué)院學(xué)報(bào)V01．33．No．22012年3月JOUgNALOFZHAOQINGUNIVERSITYMar．2012多特征融合的人臉表情識(shí)別李春英，湯志康2，黃春艷，顏春萍，張仙玉，陳(1．肇慶學(xué)院計(jì)算機(jī)學(xué)院，廣東肇慶526061；2．廣東技術(shù)師范學(xué)院計(jì)算機(jī)學(xué)院，廣東廣州摘要：提出了一種多特征融合的表情識(shí)剮模型：首先，對(duì)預(yù)處理后的圖像提取2種局部描述算子Gabor特征和多元中心化二值模式特征。根據(jù)對(duì)表情的貢獻(xiàn)程度劃分表情子區(qū)域；其次，通過主成份分析法對(duì)表情子區(qū)域的特征向量進(jìn)行降堆，并構(gòu)建隨機(jī)子空間訓(xùn)練分類器；最后，利用Bagging技術(shù)提高多分類器的分類性能，并采用加權(quán)投票
2、的融合規(guī)則進(jìn)行決策判別．人臉表情庫的實(shí)驗(yàn)結(jié)果表明。此方法有很好的魯棒性和識(shí)別率．關(guān)鍵詞：表情識(shí)別；局部特征；多特征融合中圖分類號(hào)：TP39文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1009—8445(2012)02—0019—06人臉表情識(shí)別就是對(duì)面部表情信息進(jìn)行特征提取并加以分析．目前表情識(shí)別已成為人機(jī)交互、情感計(jì)算、機(jī)器視覺、圖像處理與模式識(shí)別等領(lǐng)域的重要研究課題．表情識(shí)別模型研究的重點(diǎn)主要集中在表情特征提取和特征分類2方面．國(guó)內(nèi)外學(xué)者在此2方面已做了大量的研究，表情特征提取主要分為整體特征提取【卜21和局部特征提取【3一S1．其中，整體特征提取主要集中在面部的整體變化，并沒有考慮面部肌肉的紋理、皺褶等
3、局部變化所蘊(yùn)含的信息；局部特征可以充分考慮不同尺度和方向的信息，不過特征向量維數(shù)過大、算法實(shí)時(shí)性較差．特征分類方法分為基于貝葉斯網(wǎng)絡(luò)的分類方法[61和基于距離度量的分類方法．前者缺點(diǎn)在于需要屬性之間相互獨(dú)立的假設(shè)，因此在一定程度上影響了算法的識(shí)別率；后者是通過5計(jì)算樣本之間的距離來實(shí)現(xiàn)表情分類，代表算法有近鄰法[41和SVM算法【7]．近鄰法算法的存儲(chǔ)量和計(jì)算量都比較大，而SVM算法●嵐是二晰類分類算法，在多類分類和大規(guī)模樣本的運(yùn)算上，還存在著一定的缺陷．基于以上分析，我們提出了一種表情識(shí)別模型：首先，將人臉圖像預(yù)處理后，融合2種人臉表情局部特征描述算子(Gabor／J~波特征和多元中心化
4、二值模式(MCBP)特征)；然后通過主成份分析法(pcA)對(duì)各表情子區(qū)域的特征向量進(jìn)行降維處理，避免特征向量維數(shù)過大的缺點(diǎn)，同時(shí)構(gòu)建PCA隨機(jī)子空間訓(xùn)練分類器，分類器采用文獻(xiàn)[8】中心最近鄰分類器(CNN)，通過計(jì)算已標(biāo)記點(diǎn)與該類中心的距離來度量樣本特征的表情屬性；最后，利用組合分類器實(shí)現(xiàn)對(duì)表情特征的精確分類．1表情圖像預(yù)處理為了更好的提取局部特征，原始圖像的預(yù)處理是一個(gè)重要且必須的過程，目的是統(tǒng)一圖像的灰度值及尺寸，輸出純表情區(qū)域，為表情特征提取奠定基礎(chǔ)．預(yù)處理包括圖像的歸一化和表情區(qū)域的分割處理：前者包括圖像的尺度歸一化和灰度歸一化，后者指從圖像中分割出與表情最相關(guān)的區(qū)域．本文預(yù)處理的
5、過程包括如下幾個(gè)步驟：1)將人臉表情圖像大小變?yōu)?28x128像素，兩眼之間的距離72像素；2)圖像灰度的歸一化，每像素是256灰度級(jí)；3)圖像按照空間位置劃分成64個(gè)大小為16x16且互不重疊的網(wǎng)格；4)根據(jù)人臉某些部位的信息對(duì)表1庸識(shí)別的貢獻(xiàn)度(如眼睛、嘴部，被賦予較大的權(quán)值，而其他部位的收稿日期：2012-01—09作者簡(jiǎn)介：孛春英(1978-)。女，黑龍江齊齊哈爾人。肇慶學(xué)院計(jì)算機(jī)學(xué)院講師。碩士．萬方數(shù)據(jù)肇慶學(xué)院學(xué)報(bào)第33卷貢獻(xiàn)較小則被賦予較小的權(quán)值)分成13個(gè)表情子區(qū)域．表情圖像預(yù)處理的流程如圖1所示，其中表情貢獻(xiàn)度按顏色深淺權(quán)值之比為1：2：4．賦予不同權(quán)值的目的是在最終分類決
6、策的時(shí)候采用加權(quán)投票法進(jìn)行融合處理．圈圈1表情圖像預(yù)處理2表情特征提取相比全局特征描述，局部特征本身具有空間性和方向性的選擇，且局部特征主要描述人臉表情的細(xì)節(jié)變化，方便進(jìn)行精確識(shí)別．局部特征提取的經(jīng)典方法是Gabortb波法和LBP(LocalBinaryPattern)算子法[9】．Gabort]x波可以提取圖像特定區(qū)域內(nèi)不同尺度和方向空間的小波核函數(shù)，像顯微鏡一樣放大灰度的變化，增強(qiáng)一些關(guān)鍵特征(眼睛、鼻子和嘴部)．LBP特征可以更快地從原始圖像中提取出來且位于較低維的空間，同時(shí)保留了有效的人臉信息；不過LBP算子本質(zhì)上提取的是圖像邊緣、角點(diǎn)等局部變化特征，產(chǎn)生的直方圖維數(shù)過長(zhǎng)，影響識(shí)
7、別速度，且沒有考慮中心像素點(diǎn)的作用，因此特定情況下會(huì)丟失某些局部結(jié)構(gòu)信息．綜合以上因素，筆者采用Gabor／]s波特征和同時(shí)考慮多個(gè)尺度、中心化的LBP特征(Multi-scaleCentralizedBinaryPa~ern)，簡(jiǎn)稱MCBP特征．2．1Gabor／J~波特征二維Gabor小波的核函數(shù)定義為一個(gè)用高斯包絡(luò)函數(shù)約束的平面波：)：ee瘟”Le-~2]．．其中：．=．j}坤。，．1}=表示核函數(shù)的尺度(頻率)，
