基于信息融合的面部表情分析與識別-資料下載頁
2025-09-20 10:42本頁面
【導(dǎo)讀】廣東自然科學(xué)基金項目：。國際上對人臉面部表情識別的研究現(xiàn)在逐漸成為科研熱。國內(nèi)外很多機構(gòu)都在進行這方面的研究,尤其美國、進入90年代,對人臉表情識別的研究變得非常活。相關(guān)文獻就多達數(shù)千篇。美國、日本、英國、德國、荷。京大學(xué)、ATR研究所的貢獻尤為突出。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。其他方法，比如支持向量機，小波分析。庫中的已有的人臉面部表情的描述方式。信息融合就是把來自多個信息源的目標(biāo)信息合。組成部分更優(yōu)越的性能。人臉面部表情識別包含大量的變量,反映待識。這種方法對每幅圖像預(yù)處理之前進行像素層。融合來自每個傳感器的面部表情判決。根據(jù)各神經(jīng)元的對。性表情數(shù)據(jù)庫中選取120幅圖像，像，3個人，12幅/人。通過隨機變換訓(xùn)練樣。本和測試樣本，我們重復(fù)10次這樣的實驗。
【正文】 JAFFE）選取 120幅圖像，共 10個人， 12幅 /人，其中 84幅圖像作為訓(xùn)練樣本， 7個人， 12幅 /人，測試樣本為 36幅圖像， 3個人， 12幅 /人。通過隨機變換訓(xùn)練樣本和測試樣本，我們重復(fù) 10次這樣的實驗。 Yale Face數(shù)據(jù)庫 上的實驗結(jié)果 表情類型 分類器 1 分類器 2 分類器 3 分類器 4 SVM信息融合 Happy % % % 80% % Normal % % % 80% 80% Sad 60% 60% % % % Surprised 80% % 80% % % 日本女性表情數(shù)據(jù)庫上的實驗結(jié)果 表情類型 分類器 1 分類器 2 分類器 3 分類器 4 SVM信息融合 Happy % % 80% % % Normal % 70% % 80% % Sad 70% % % % 80% Surprised 80% 80% % % 90% 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 基于徑向基函數(shù)網(wǎng)絡(luò)多特征融合的面部表情識別 ?基于 RBF網(wǎng)絡(luò)的多特征融合的面部表情識別結(jié)構(gòu) ?徑向基神經(jīng)網(wǎng)絡(luò) ?基于 RBF網(wǎng)絡(luò)融合的面部表情識別流程 ?實驗 基于 RBF網(wǎng)絡(luò)的多特征融合的面部表情識別結(jié)構(gòu) 圖像預(yù)處理PCA 幾何關(guān)系FLD徑向基函數(shù)(ＲＢＦ）神經(jīng)網(wǎng)絡(luò)融合中心識別結(jié)果徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（ RBF) 徑向基函數(shù)網(wǎng)絡(luò)是一種兩層前向網(wǎng)絡(luò) ,如圖所示 。 其輸出是由隱節(jié)點基函數(shù)的線性組合計算得到。隱節(jié)點的基函數(shù)只對輸入空間中的一個很小區(qū)域產(chǎn)生非零響應(yīng)。隱層神經(jīng)元將輸入空間映射到一個新的空間 ,輸出層在該空間中實現(xiàn)線性組合。 1x2xpx1c2cNc? ?xR1? ?xR2? ?xRN? ?xf1? ?xf2? ?xfc1w2wcw 徑向基函數(shù)常采用高斯函數(shù)作為非線性映射函數(shù) ,不失一般性 ,對于單個網(wǎng)絡(luò)輸出的 RBF網(wǎng)絡(luò)來說 ,其第個單元對應(yīng)的輸出為其中 : 歐幾里德范數(shù) 第個輸入向量 第個隱層節(jié)點的中心 第個隱層節(jié)點的寬度 整個網(wǎng)絡(luò)的輸出方程為 : 其中 輸出空間與第個隱層節(jié)點的連接權(quán) 隱層節(jié)點的總個數(shù) ? ????????? ???222e x pkkiikcXXR??iXkck?? ? ? ?iknk kiXRXf ???1?k?n基于 RBF網(wǎng)絡(luò)融合的面部表情識別流程 24個面部特征點 . 29頁表得到 12個測量距離 ,對測量距離按 29頁的公式進行歸一化處理得到 12維局部特征 ,首先對圖像做純臉部分的切割 ,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 。 在 Yale face數(shù)據(jù)庫上用 =52維特征向量構(gòu)造特征子空間 。 在 JAFFE上用 =76維特征向量構(gòu)造特征子空間 ， 其中 c為類別數(shù) 。 用 ? ?GFGFGF xxx 1221 , ?? ?M P C AM P C AM P C A xxx 3821 , ? T替換函數(shù)替換散布矩陣后用 FLD變換到c1=3維特征空間作為表示面部表情特征的一部分特征； RBF神經(jīng)網(wǎng)絡(luò) ,53個輸入單元對應(yīng)三種特征提取技術(shù)提取的特征。 X個隱層神經(jīng)元由徑向基函數(shù)網(wǎng)絡(luò)自適應(yīng)算法確定 ,這些隱層神經(jīng)元負責(zé)特征融合決策 ,2個輸出神經(jīng)元對應(yīng)四種表情的二進制編碼 ,即 00代表 Happy, 01 代表Normal, 10代表 Sad, 11代表 Surprised。 Yale face 數(shù)據(jù)庫上的實驗結(jié)果 表情類型 GF PCA FLD RBFSN Happy % % % 80% Normal % % % 80% Sad % 60% % % Surprised 80% % 80% % 日本女性表情數(shù)據(jù)庫上的實驗結(jié)果 表情類型 GF PCA FLD RBFS Happy 80% 70% % % Normal % %% % 80% Sad % % 70% % Surprised % % 80%% % 展 望 ? 人臉的自動分割 。 人臉表情識別技術(shù)應(yīng)該包括復(fù)雜背景下的人臉定位和純臉分割 ,以及人臉表情識別兩個方面的工作 。 要想使面部表情識別技術(shù)得到廣泛的發(fā)展和應(yīng)用 ,首先必須要解決人臉自動分割問題 。 而人臉的自動分割是一個很有挑戰(zhàn)性的研究課題 。 ? 基于代數(shù)特征的面部表情識別方法 。 它的有點在于應(yīng)用簡單 ,算法穩(wěn)健 ， 隨著新的分類算法的出現(xiàn) ,基于代數(shù)特征的面部表情的識別方法仍然有很大的發(fā)展空間 。 ? 基于多特征信息融合的方法 。 人臉面部的細節(jié)信息非常重要 ,對表情的識別起著極其重要的作用 , 如何充分利用人臉本身的豐富信息將是面部表情識別研究一個值得探索的方向 ? 基于多分類器融合的表情識別方法 ， 由于不同的分類器想對于不同的特征和環(huán)境有著不同的性能 , 研究一個良好的融合策略將是提高面部表情識別系統(tǒng)的一個很好的研究方向 。 攻讀碩士期間發(fā)表論文 《 基于局部特征和整體特征融合的面部表情識別 》 ， 電子技術(shù)應(yīng)用 ， 2020年第 3期 《 基于 SVM信息融合的面部表情識別 》 ， 五邑大學(xué)學(xué)報 （ 自然科學(xué)版 ） ， 已錄用 謝 謝！
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1