【正文】 第三節(jié) 實驗設(shè)計與結(jié)果分析 本文采用日本婦女表情數(shù)據(jù)庫 (JAFFE)進行試驗。最后選用最近鄰分類器進行特征分類，求出識別率，用 Chi平方統(tǒng)計，即 ? 2 度量兩幅圖像間的相似性。而基于區(qū)域的分析則可以很好的解決這一問題。但是由此獲得的人臉特征向量維數(shù)會很高，尤其是當原圖像劃分的區(qū)域子塊較多的時候。本章提出的 變閾值局部二值式由于特征抽取的靈活性，使用者可以根據(jù)情況在特征空間中搜尋到最 適合分類的特征子空間。圖 直觀地給出了解釋。那么我們在分類的時候，就可以充分利用原樣本空間中樣本本身的特點還有分布情況，尋找出最適合分類的特征子空間，避免了 LBP 在特征提取變換時的單一性，從而提高分類性能。 (3) 在紋理分析過程中， LBP 方法的窗口大小固定且與圖像內(nèi)容無關(guān)，這導致了 LBP 在紋理基元特征的提取上出現(xiàn)誤差，難以適應不同粗糙度和尺度紋理的要求。 (2) 特征分類能力強。以使用尺度為 (8， 1)的 LBP 算子為例，統(tǒng)一模式的數(shù)量為 59，占 LBP 算子總數(shù)的 23％，卻可以表達出其中 ％的紋理?？梢钥闯?，通過引入旋轉(zhuǎn)不變的定義， LBP 對于圖像旋轉(zhuǎn)表現(xiàn)得更為魯棒。 圖 圖像的旋轉(zhuǎn)變換對像素位置的影響 從圖 可以很直觀地看出，在圖像發(fā)生旋轉(zhuǎn)變換以后，像素點之間的相互位置發(fā)生了變化，這種宏觀上的變化反映到微觀層面上就是像素灰度值發(fā)生了改變。這個值可以代表中心像素點 (x， y)周圍的局部紋理特性，從而構(gòu)成了一個拓展的 LBP 算子，計算公式如式 所示： LBPP,R(x,y)= s(gpgc)2p () 在實際應用中，上式表明在一個拓展的 LBP 算子所處理的局部區(qū)域內(nèi)，每個像素點的標識都被解釋成為一個 P 位的二進制碼，因此得到的結(jié)果就是 2p 個不同的 LBP 值，而圖像局部紋理的灰度分布也就因此可以被近似地描述為一個具有 2p 個 bin 的 LBP 值的離散分布： T≈ t(LBPP,R (x， y)) () 現(xiàn)在我們可以假設(shè)有一個像素數(shù)為 NXM 的圖像樣本 (X 的取值范圍是 (0，?N1)， Y 的取值范圍是 (0，? M1))。 20xx 年， 0jala 等人對 LBP 的定義進行了拓展。這樣， 在順次將周圍像素點的灰度值與閾值進行比較之后，就可以得到一個局部二進制的模式 (Local Binary Pattern)。這些方法在本章中知識做 了簡單的介紹，后面章節(jié)中，將具體介紹一種人臉檢測和人臉識別的方法。 主成分分析方法原理比較簡單且容 易實現(xiàn)，將高維人臉數(shù)據(jù)較少，提高了計算復雜度，但是這種方法容易受到光照等的影響，沒有考慮到人臉的個性差異，所以從理論來說這種方法具有一定的缺陷性，但是這種方法近年來也被廣泛應用在模式識別領(lǐng)域。此方法是一種能有效的處理大量樣本問題，速度較高，去的了較好的效果。此類方法最大的特點就是不首先確定人 臉是否存在，而是先檢測人臉的面部特征，根據(jù)提取的人臉面部特征，簡歷統(tǒng)計模型進行人臉檢測。最后本文以變閾值局部二值式直方圖作為特征向量，采用 Ⅹ 2概率統(tǒng)計來計算各特征向量的距離，選用最近鄰分類器進行特征分類，求出識別率。 第二節(jié) 本論文的主要工作 人臉表情識別主要有四個基本部分組成：表情圖像獲取、表情圖像預處理、表情特征提取和表情分類。東南大學的何良華、鄒采榮提出了一種基于DWTDCT 的面部表情識別算法。該模型能在局部的空間和時間區(qū)域上精確的描述非剛性的面部運動，采用少量的參數(shù)描述了嘴巴、鼻子、眼皮、眉毛等器官與邊緣相關(guān)的運動。Terzopoulos[17]等人設(shè)計了一個復雜的基于生理學的面部模型。 Yoneyama 等人利用 Horn 和 SChunck 提出的基于梯度的光流場提取人臉歸一化圖像中 80 個 20x20 大小的圖像塊的光流特征，并使用 Hopfield神經(jīng)網(wǎng)絡(luò)對這些特征向量進行分類并最終實現(xiàn)了面部表情分類。該系統(tǒng)手動選取 36 個特征點，通過光流分析這些特征點的位移再使用判別函數(shù)進行分類。 Hong 等人在加權(quán)線框圖中的每個節(jié)點上計算多尺度多方向的 Gabor 變換系數(shù)構(gòu)成特征向量 并應用彈 性匹 5 配的方法實現(xiàn)線框圖與實際人臉數(shù)據(jù)的匹配，最終通過比較兩幅圖像上的線框圖的相似性實現(xiàn)表情分析。 (4) 基于支持向量機的方法 支持向量機（ SVM， Support Vector Machines）是由 與其領(lǐng)導的貝爾實驗室的小組一起開發(fā)出來的一種新的機器學習技術(shù)。但是由 于 PCA只考慮到圖像數(shù)據(jù)當中的二階統(tǒng)計信息，并未利用高階統(tǒng)計信息， Bartlett 于 1998年提出 了基于獨立分量分析 ICA 的算法。 (2) 基于統(tǒng)計特征提取的方法 與提取圖像的幾何特征相比，這種 統(tǒng)計特征是基于圖像的整體灰度特征，它強調(diào)盡可能多的保留原始面部表情圖像的信息，通過對大量樣本的訓練，獲得其統(tǒng)計特征。其中美國的麻省理工學院 (MIT)的多媒體實驗室的感知計算組、卡耐基梅隆大學 (CMU)機器人研究所、馬里蘭大學的計算機視覺實驗室、斯坦福大學、日本城蹊大學、東京大學、大阪大學、日本的國際電信技術(shù)研究所 (ATR)的貢獻尤為突出。它采用 44 個能夠獨立運動的表情活動單元 (Active Unit， Au)描述面部動作，這些單元與使用面部表情改變的肌肉結(jié)構(gòu)緊密相連。如果從他們的表情中檢測到痛苦或其它不適的表情，那么就需要馬上對他們進行治療，否則會出現(xiàn)危險。不僅如此，如果使得計算機可以通過計算機視覺的方法分析出用戶的面部表情信息，那么就可能使得計算機表現(xiàn)出更多人類所特有的本領(lǐng)。 關(guān)鍵字： 人臉表情識別，特征提取， LBP，變閾值局部二值模式 II ABSTRACT As an important part of the technology for manmachine interaction, more and more attention to facial expression recognition． It is one of the most challenging problems in the fields of pattern recognition, machine vision, image processing and psychology, and it has bee a hot research topic in the field of pattern recognition and artificial intelligence in recent years． Generally speaking， facial expression recognition included four parts： expression image acquisition, expression image preprocessing， facial feature extraction and expression classification． In this thesis we focused on the problem of facial feature extraction. My primary work was summarized as follow： This improved LBP is we called local threshold． Local threshold extends the feature space through the introduction of parameter changeable threshold, and can find a suitable for a particular classification by adjusting the value of changeable threshold in the feature space． Local threshold is more robust to LBP for noise and illumination changes ， and feature extraction process can also be relatively flexible． Finally we use local threshold histogram as feature vectors， using ? 2 probability statistics to calculate the distance between each feature vectors， choosing the nearest neighbor classifier for feature classification, and then calculate recognition rate． The above algorithm had been applied to facial expression recognition by using the matlab language， and after the simulation achieved a better recognition effect． Keywords ： facial expression recognition, feature extraction, LBP, local threshold ,expression classification 1 第一章 緒論 第一節(jié) 課題研究背景及意義 上世紀 90 年代， Pentland 提出了著名的特征臉方法。 目錄 摘要 ................................................................................................................................. I ABSTRACT ........................................................................................................................ II 第一章 緒論 ................................................................................................................... 1 第一節(jié) 課題研究背景及意義 .............................................................................. 1 第二節(jié) 本論文的主要工作 .................................................................................. 7 第二章 人臉圖像分析技術(shù)常用方法 ............................................................................... 8 第一節(jié) 人臉檢測常用方法 .................................................................................. 8 一、基于特征的方法 .................................................................................... 9 二 、 基于支持向量機的方法 ........................................................................ 9 第二節(jié) 人臉識別常用方法 ................................................................................ 10 一 、 基于特征臉的識別方法 ...................................................................... 10 二 、 彈性圖匹配方法 .................................................................................. 10 三 、 基于非線性數(shù)據(jù)降維的方法 .............................................................. 11 第三節(jié) 本章小結(jié) ................................................................................................ 12 第三章 局部二值模式（ LBP） ...................................................................................... 13 第一節(jié) 關(guān)于 LBP 的介紹