【導(dǎo)讀】的態(tài)度和內(nèi)心世界。自動表情識別是計(jì)算機(jī)理解人類情感的前提,在現(xiàn)實(shí)生。正是由于這種特殊的作用,所以人們對表情自動識別進(jìn)行了大量的研究。20年來,人臉表情識別的方法有了非常顯著的進(jìn)步。主要研究了如何利用Adaboost算法進(jìn)。行多類分類的問題。分析了最近鄰法和決策樹的原理,針對不。針對人臉表情識別問題,分別使用這兩種。類器作為Adaboost算法的弱分類器進(jìn)行識別,比較了它們的性能。并對本文工作進(jìn)行了階段性的總結(jié),也明確了下一步工作的方向和目標(biāo)。率,獲得較好的識別效果。

　　

【正文】 人臉表情圖像的特征點(diǎn)和和幾何模型確定主要的矩形 特征區(qū)域 ,然后把原大小為 256 256 的圖像剪裁成 150 100 的圖像 ,這樣就可 以使圖像中人臉的大小都一致。 灰度歸一化是為了減少光照對圖像的影響 ,對圖像進(jìn)行光照補(bǔ)償 ,這樣有助 于提高識別率。通過歸一化就將圖像的每個(gè)像素亮度值都轉(zhuǎn)換到 [0,1]之間 ,如 果某個(gè)圖像需要?dú)w一化 ,就首先把它轉(zhuǎn)化成一維向量 x,然后對每一個(gè)元素 x(i) 進(jìn)行處理 : [ximinxi]/[xminx]() 圖 是預(yù) 處理后的圖像 : angry sad fear happydislike surprise 圖 預(yù)處理后的表情圖像無論是識別過程還是學(xué)習(xí)過程 ,都要對分析對象固有的本質(zhì)特征或?qū)傩赃M(jìn)行 測量并將結(jié)果數(shù)值化。通常能描述某一個(gè)對象的特征或?qū)傩缘姆N類有很多 ,但是 不同類型的特征的數(shù)據(jù)量大小差異很大 ,為了節(jié)約計(jì)算機(jī)資源 ,節(jié)省存儲空間、 11 中南民族大學(xué)碩士學(xué)位論文 運(yùn)行時(shí)間 ,更為了算法的可行性 ,在滿足分類識別正確率的條件下 ,可以選擇對 正確分類識別作用大的特征 ,這樣就可以簡化分類識別的任務(wù)量 ,這項(xiàng)工作主要 表現(xiàn)在對特征矢量維數(shù)的減少 ,從而更好的完成分類。 Gabor 特征提取 Gabor 小波變換已經(jīng)被證明是一種非常有效的技術(shù) ,它可以捕獲一個(gè)對象的 可視化屬性 ,例如空間位置、方向選擇和空間頻率特性。而且 Gabor 小波變換較 好的模擬了生物視神經(jīng)的感受特性 ,根據(jù)實(shí)際情況調(diào)整它的空間和頻率采集特 性 ,從而獲得所需要的人臉表情特征 ,因此 Gabor 特征廣泛的應(yīng)用于人臉表情的 問題分析和解決。 [32] 最早在 1946 年 , Gabor 在觀察到傅里葉變換在表示非平穩(wěn)信號方面的不足 之后 ,通過進(jìn)一步研究 提出了最初形式的 Gabor 函數(shù) ,經(jīng)過幾十年的演變發(fā)展 , Gabor 函數(shù)逐步變成二維小波的形式。隨后人們對 Gabor 小波展開了更加廣泛的 [33] 深入研究 ,Junes 和 Palmer 通過電生理實(shí)驗(yàn)視神經(jīng)皮層的簡單細(xì)胞的頻譜響應(yīng) 特性可以用 Gabor 函數(shù)做非常好的擬合 ,如圖 22 所示。然后大家就逐步把 Gabor 變換引用到特征提取方面。研究表明二維 Gabor 變換這組加高斯 (Gaussian)窗 的傅立葉 (Fourier)變換能夠精確的表達(dá)出圖像的局部特征 ,而且對于圖像的位 移、形變、旋轉(zhuǎn)、光照變 化和尺度變化都有很好的容忍性。 (A)簡單細(xì)胞感受野 (B)二維 Gabor 濾波器模型 (C)兩者的誤差 12 中南民族大學(xué)碩士學(xué)位論文 圖 簡單視細(xì)胞感受野和 Gabor濾波器函數(shù)的區(qū)別規(guī)范 (A)簡單細(xì)胞感受野 (B)二維 Gabor 濾波器模型 (C)兩者的誤差 二維 Gabor 小波變換二維 Gabor 小波變換是多尺度表示和分析圖像的重要工具 ,Gabor 函數(shù)是唯 一能夠取得時(shí)域和頻域聯(lián)系不確定關(guān)系下界的函數(shù) ,所以經(jīng)常被用作小波基函數(shù) [34] 對圖像進(jìn)行各種處理。本文選取的二維 Gabor 核 函數(shù)定義如下 : 2222 2 x kkx +y σgx ,y? exp *[expik * ? exp? ] () uv 22 σσ 22 y 上式中的 k 表示形式如下 : v +2 k k cos π x vu 2 k ,k 2 π ,? u () v u k k sinK y vu 其中 ,(x,y)是給定位置的圖像坐標(biāo) 。k 是濾波器的中心頻率 。 ?表示濾 u 波器的方向選擇性。二維 Gabor 濾波器函數(shù)是一個(gè)復(fù)函數(shù) ,它的實(shí)部和虛部可以 分別表示為下列形式 : 22 22 2kkx +y σ 實(shí)部 Regx ,y? exp[coskx,y? exp? ] () uv 22 σσ 22 22 22 kkx +y? 虛部 Imgx ,y? exp sinkx,y() uv 22? σσ 2 實(shí)部虛部 圖 Gabor 小波的實(shí)部和虛部 13 中南民族大學(xué)碩士學(xué)位論文 Gabor 小波的參數(shù)選取二維 Gabor 濾波器是帶通濾波器 ,它在時(shí)域中有著良好的方向選擇性 ,在頻 域上也有著良好的頻率選擇性 ,所以說它在頻域和時(shí)域上均有較好的分辨能力 , 而它在 時(shí)域和頻域的采樣方式是由 Gabor 小波濾波器組的參數(shù)所決定的。因此 Gabor 濾波器的參數(shù)選擇決定了它的信號的表達(dá)能力。 濾波器的參數(shù) k, ?的不同取值將決定二維 Gabor 小波在頻率和方向的采樣 u 方式。對一幅圖像的整個(gè)頻域采樣 ,可以采用具有多個(gè)中心頻率和方向的 Gabor 濾波器組來對圖像進(jìn)行濾波。參數(shù) σ決定濾波器的帶寬 ,雖然頻率空間可以是 0 到無窮大的任意值 ,但是一幅圖像的實(shí)際頻率分布是有限的 ,故參數(shù) k 只能在一 [35,36] 個(gè)較小的區(qū)間內(nèi)選取。多個(gè)文獻(xiàn)表明 ,對于大小為 128 128 的圖像 ,或者 π 大小與這個(gè)尺寸接近的圖像都可以選擇中心頻率為 , σ 2 π ,這中選擇可以得 2 到較好的實(shí)驗(yàn)效果。為了得到詳盡的圖像局部特征 ,本文中選用 5 個(gè)尺度(即 5 個(gè)中心頻率 )和 8 個(gè)方向一共 40 個(gè) Gabor 濾波器組 ,本文也對 4 個(gè)尺度 ,6個(gè) 方向一共 24個(gè) Gabor濾波器組進(jìn)行了對比測試 ,選用 JAFFE數(shù)據(jù)庫進(jìn)行測試 , 對比結(jié)果如表 所示。 表 JAFFE 數(shù)據(jù)庫下不同特征維數(shù)的識別率對比 Happy 迭 代次 特 數(shù) 征 10 次 20 次 30 次 維 數(shù) 960 維 40% 20% 20% 576 維 40% 30% 20% Fear 迭 代次 特 數(shù) 征 10 次 20 次 30 次 維 數(shù) 960 維 40% 30% 20% 576 維 40% 40% 30% 14 中南民族大學(xué)碩士學(xué)位論文 Sad 迭 代次 特 數(shù) 10 次 20 次 30 次 征 維 數(shù) 960 維 10% 10% 10% 576 維 30% 30% 30% Surprise 迭 代次 特 數(shù) 10 次 20 次 30 次 征 維 數(shù) 960 維 40% 40% 40% 576 維 40% 40% 40% 從表 可以清楚的看到選用 960 維的特征時(shí) ,識別效果要好于 576 維的特 征 ,所以本文的所有實(shí)驗(yàn)使用的特征都是 960 維。 2 π 那么參數(shù) kr , λσπ 2,22λ和 ?的取值如式 : vv u k v v +2 π 2k 2 π ,其中 ,v 0, ? , 4, 0, ? ,7 () v u 8 ?是方向參數(shù) ,它用于控制濾波器的方向 ,在進(jìn)行 Gabor 變換過程中 ,二維 u Gabor 濾波器函數(shù)的實(shí)部和虛部將表示為不同方向的特征。 k 反映了濾 波器的波 v 2 π 長 ,因?yàn)? λ ,所以當(dāng)中心頻率不斷減小 ,二維 Gabor 濾波器的波長不斷增 k v 大 ,這樣不同波長的濾波器就可以響應(yīng)不同頻帶的圖像特征。中心頻率 k 和 σ一 v 22 σ 起反映了高斯窗口的大小 ,高斯窗口的半徑可表示為 r ,本文中取 v k v σ 2 π ,則 r 22 λ ,可以看出每個(gè)高斯窗口幾乎包含 4 個(gè)完整的波長 ,這樣 v 足以描述圖像的局部區(qū)域的頻率特性。 15 中南民族大學(xué)碩士學(xué)位論文 Gabor 特征提取 在圖像預(yù)處理后所得到的人臉圖像大小是 150 150,40 個(gè)濾波器和它進(jìn)行 卷積后 ,得到的 Gabor 特征維數(shù)將達(dá)到 150 100 4060000 維 ,這樣巨大的數(shù) 據(jù)進(jìn)行分類的話將是非常困難的事情 ,不僅影響分類速度 ,而且以后影響分類質(zhì) 量。由于 Gabor 特征在相鄰像素間是高度相關(guān)和冗余的 ,所以沒有必要提取如此 密集的數(shù)據(jù) ,本文采取了 6 行 4 列分布的采樣點(diǎn) ,它可以基本包含人臉的主要信 息點(diǎn)。選取采樣點(diǎn)上的 Gabor 濾波結(jié)果 ,然后來組成特征向量 ,那么經(jīng)過這樣處 理后 ,得到的 Gabor 特征向量的維數(shù)是 6 4 40960 維。 設(shè) I,xy 表示圖像 ,Ox,y 表示卷積結(jié)果 ,二維 Gabor 變換的過程就是卷 uv 積計(jì)算的過程 ,變換表達(dá)式如下式所示 : Ox,y Ix,y*g x,y () uv uv 40 個(gè)濾波器的濾波效果如圖 所示 : 輸入圖像 圖 人臉表情圖像與 40 個(gè) Gabor