基于信息融合的面部表情分析與識別(存儲版)
【正文】 割 ,形成的純臉圖像 ， 然后對純臉圖像進行直方圖均衡化 ,標(biāo)準(zhǔn)化和歸一化處理； ,提取均值主元成分 ,根據(jù)實驗本文選 =38,即形成 38維的表情特征 Fisher 線性判別來提取面部表情特征 ， 為了解決小樣本問題 ， 本文采取 T+PCA+FLD策略 。 結(jié)果對于四種表情的二進制編碼 ，即 00Happy, 01Normal, 10Sad, 11Surprised。為了提高識別系統(tǒng)的識別率和識別系統(tǒng)的魯棒性，充分的利用人臉的圖像的各種信息，我們對預(yù)前處理后的人臉圖像提取局部表情特征和整體表情特征，然后對不同的類型的特征采用不同的分類器對人臉表情進行初步的分類，最后構(gòu)造一個 3階多項式的支持向量機來對多個分類器的輸出進行信息融合，以便到達人臉表情識別的目的。 征子空間中 。 為 KL變換生成矩陣 ， 進行 KL變換 。通過 PCA將人臉圖像投影到 Nc維特征空間： 通過標(biāo)準(zhǔn)的 FLD將維數(shù)降為 c1： WSWW TTpc a m a xa r g? kTp c ak xWZ ?WWSWWWWSWWWp c aWTp c aTp c aBTp c aTfld 39。00,00WWWBBB SSSSSS WSW WSWWTBT39。 同樣 ， 子空間中的任一點也對應(yīng) 于一幅圖像 。 第幅人臉可以表示為： 、 總均值 和類間離散度矩陣 。 設(shè)訓(xùn)練樣本集共有 N 個訓(xùn)練樣本 ,分為 c 類 , 為第 i樣本的數(shù)目 , 其中 是表示第個人臉圖像的列向量 。 讀入每一個人臉圖像幾何特征數(shù)據(jù)并轉(zhuǎn)化為一維的向量 ， 對于一個表情的人臉圖像 ， 選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集 ， 其余的構(gòu)成測試集 。 基于信息融合面部表情識別的三個模型 ? 基于像素層融合的面部表情識別 ? 基于特征層融合的面部表情識別 ? 基于決策層融合的面部表情識別 基于像素層融合的面部表情識別 ? 這種方法對每幅圖像預(yù)處理之前進行像素層融合后 , 得到一個融合的人臉圖像數(shù)據(jù) ,并在此基礎(chǔ)上再進行特征提取和面部表情識別。進入 90 年代 ,對人臉表情識別的研究變得非常活躍 ,吸引了大量的研究人員和基金支持 ,EI 可檢索到的相關(guān)文獻就多達數(shù)千篇。 ? 國內(nèi) 國內(nèi)的清華大學(xué)、哈爾濱工業(yè)大學(xué)、中科院、中國科技大學(xué)、南京理工大學(xué)、北方交通大學(xué)等都有人員從事人臉表情識別的研究 目前面部表情識別的主要方法： ?基于模板匹配的面部表情識別方法 ?基于神經(jīng)網(wǎng)絡(luò)的面部表情識別方法 ?基于規(guī)則的人臉面部表情識別方法 ?基于隨機序列模型的面部表情識別方法 ?其他方法，比如支持向量機，小波分析等 論文主要工作 1. 介紹了信息融合在面部表情識別應(yīng)用的三個層次模型 2. 探索了基于單特征單分類器的面部表情識別 3. 將支持向量機理論和信息融合理論結(jié)合在一起，提出基于基于 SVM的多特征多分類器融合的面部表情識別 4. 將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)用于面部表情特征的融合上，提出基于 RBF網(wǎng)絡(luò)的多特征融合的面部表情識別 面部表情識別： 一般可描述為給定一個靜止人臉圖像或者動態(tài)的人臉圖像序列 ， 利用已有的人臉表情數(shù)據(jù)庫確定圖像中的一個人或者多個人的面部表情 ， 研究內(nèi)容包括以下三方面： 人臉檢測 :即從各種不同的場景中檢測出人臉的存在并確定其位置 . 面部表情特征提取 :即確定表示檢測出的人臉表情和數(shù)據(jù)庫中的已有的人臉面部表情的描述方式 。 決策層融合面部表情識別識別結(jié)果特征提取特征提取特征提取人臉圖像人臉圖像人臉圖像表情識別表情識別表情識別 論文主要工作 1. 介紹了信息融合在面部表情識別應(yīng)用的三個層次模型 2. 探索了基于單特征單分類器的面部表情識別 3. 將支持向量機理論和信息融合理論結(jié)合在一起，提出基于基于 SVM的多特征多分類器融合的面部表情識別 4. 將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)用于面部表情特征的融合上，提出基于 RBF網(wǎng)絡(luò)的多特征融合的面部表情識別 基于單特征單分類器的面部表情識別 基于神經(jīng)網(wǎng)絡(luò)級聯(lián)的面部表情識別 基于幾何特征的面部表情識別 基于均值主元分析的面部表情識別 基于 Fisher線性判別的面部表情識別 基于神經(jīng)網(wǎng)絡(luò)級聯(lián)的面部表情識別 網(wǎng)絡(luò)級聯(lián)的面部表情識別結(jié)構(gòu) BP網(wǎng)絡(luò)的算法流程 網(wǎng)絡(luò)級聯(lián)的面部表情識別的實驗結(jié)果 網(wǎng)絡(luò)級聯(lián)的面部表情識別結(jié)構(gòu) 1 2 299921 249161 249 250250300021 21 2SOMMLP自動定位人臉切割形狀歸一化灰度歸一化人臉圖像預(yù)處理32 02 43的原始圖像50 60 的切割圖像網(wǎng)絡(luò)級聯(lián)的面部表情識別流程 為BP 算法終的權(quán)值和變量分配空間和初始化輸入樣本的順序重新隨機排序輸入樣本X，正向傳播，計算各層輸出計算輸出層誤差E反向傳播，計算各層神經(jīng)元的調(diào)整信號。 用表示列向量正交的矩陣 。 關(guān)于這一點我們將在后面的實驗中加以說明 ， 用每一類的平均值代替類內(nèi)的具體圖像的另一個明顯的好處就是訓(xùn)練時間明顯降低 。 首先把特征值從大到小進行排序 ， 同時 ， 其對應(yīng)的特征向量的順序也作相應(yīng)的調(diào)整 。 ? ?Timiii xxxx , 21 ??cii ,2,1, ??? ? BSBS ??實驗結(jié)果 Yale Face數(shù)據(jù)庫 MPCA和 PCA比較 日本女性表情數(shù)據(jù)庫 表情類型 PCA識別結(jié)果 MPCA識別結(jié)果 Happy % % Normal % % Sad 60% % Surprised % 80% 比較項目 MPCA PCA 主元數(shù)目 38 42 訓(xùn)練時間 表情類型 PCA識別結(jié)果 MPCA識別結(jié)果 Happy % 80% Normal % % Sad 70% % Surprised 80% % 基于單特征單分類器的面部表情識別 ?基于神經(jīng)網(wǎng)絡(luò)級聯(lián)的面部表情識別 ?基于幾何特征的面部表情識別 ?基于均值主元分析的面部表情識別 ?基于 Fisher線性判別的面部表情識別 基于 Fisher線性判別的面部表情識別 ?Fisher 線性判別 ?Fisher線性判別的改進： T＋ PCA+FLD ?基于 Fisher線性判別的面部表情識別流程 ?實驗結(jié)果 Fisher 線性判別 Fisher 線性判別 ( Fisher’s Linear Discriminant : FLD )是基于樣本的類別進行整體特征提取的有效方法 , FLD則在 PCA基礎(chǔ)上的改進，目
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1