【正文】 選取采樣點上的 Gabor 濾波結果 ,然后來組成特征向量 ,那么經過這樣處 理后 ,得到的 Gabor 特征向量的維數(shù)是 6 4 40960 維。 15 中南民族大學碩士學位論文 Gabor 特征提取 在圖像預處理后所得到的人臉圖像大小是 150 150,40 個濾波器和它進行 卷積后 ,得到的 Gabor 特征維數(shù)將達到 150 100 4060000 維 ,這樣巨大的數(shù) 據(jù)進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 量。 k 反映了濾 波器的波 v 2 π 長 ,因為 λ ,所以當中心頻率不斷減小 ,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不同頻帶的圖像特征。 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 中南民族大學碩士學位論文 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 ,識別效果要好于 576 維的特 征 ,所以本文的所有實驗使用的特征都是 960 維。多個文獻表明 ,對于大小為 128 128 的圖像 ,或者 π 大小與這個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 到較好的實驗效果。對一幅圖像的整個頻域采樣 ,可以采用具有多個中心頻率和方向的 Gabor 濾波器組來對圖像進行濾波。因此 Gabor 濾波器的參數(shù)選擇決定了它的信號的表達能力。 ?表示濾 u 波器的方向選擇性。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 。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出圖像的局部特征 ,而且對于圖像的位 移、形變、旋轉、光照變 化和尺度變化都有很好的容忍性。隨后人們對 Gabor 小波展開了更加廣泛的 [33] 深入研究 ,Junes 和 Palmer 通過電生理實驗視神經皮層的簡單細胞的頻譜響應 特性可以用 Gabor 函數(shù)做非常好的擬合 ,如圖 22 所示。而且 Gabor 小波變換較 好的模擬了生物視神經的感受特性 ,根據(jù)實際情況調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 特征廣泛的應用于人臉表情的 問題分析和解決。通常能描述某一個對象的特征或屬性的種類有很多 ,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)約計算機資源 ,節(jié)省存儲空間、 11 中南民族大學碩士學位論文 運行時間 ,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量 ,這項工作主要 表現(xiàn)在對特征矢量維數(shù)的減少 ,從而更好的完成分類。 灰度歸一化是為了減少光照對圖像的影響 ,對圖像進行光照補償 ,這樣有助 于提高識別率。 具體的預處理包含一下幾個步驟 :人臉的定位、人臉區(qū)域的幾何歸 一化以及 灰度歸一化。對于本文 所涉及的人臉表情 ,只需要保留面部部分特征 ,可以舍去頭發(fā) ,服飾 ,背景等無 關信息。 圖像預處理 在得到數(shù)據(jù)之后就要進行預處理操作 ,通常的情況下 ,人臉表情圖像中往往 包含有各種環(huán)境條件的限制和隨機噪聲的干擾 ,這樣會對圖像的重點部分造成影 響 ,所以要考慮在獲取圖像數(shù)據(jù)之后就要對其進行灰度修正和噪聲過濾等預處 理。邏輯數(shù)值 ,如是或否 ,0 或 1 等。 10 中南民族大學碩士學位論文 第 2 章 人臉表情的特征獲取 對于模式識別系統(tǒng) ,要進行識別首先要有識別的對象 ,就是先要獲取數(shù)據(jù) , 通常來說數(shù)據(jù)類型有二維圖像 ,如文字 ,物體紋理 ,人臉和人臉表情等對象 。第六章小結與展望 ,本文通過對人臉表情識別的充分研究 ,得出的結論是 , 提出的基于 Gabor 特征和 Adaboost 算法相結合的識別方法 ,對表情分類這種多 類分類的情況有著比較好的識別效果。最 后把利用 Adaboost 算法對這兩種分類器進行增強 ,說明了 Adaboost算法 對這兩種分類器的有效性 ,根據(jù)它們的不同表現(xiàn) ,決定選取決策樹分類器。第三章 Adaboost 算法原理 ,首先對分類器設計中的重采樣技術進行分析 , 再對 Adaboost 算法的提出和演變進行介紹 ,著重講述 Adaboost 算法的實現(xiàn)過程 和原理 ,以及 Adaboost 算法解決多類分類的策略和方法 ,最后對 Adaboost的應 用領域和發(fā)展前景進行簡要說明。本文結構安排如下 : 第一章緒論 ,對模式識別領域的概念進行介紹 ,引出人臉表情識別這一方向 , 概括性的說明了人臉表情識別的應用領域和研究意義 ,分析當前國內外在一領域 的發(fā)展狀況 ,對表情識別的基本過程以及常用方法進行了綜述性說明 ,最后簡要 介紹了本文研究的主要內容以及文章的結構安排。采用 9 中南民族大學碩士學位論文 Gabor 濾波器進行特征提取 ,然后使用 Adaboost 算法將決策樹分類器訓練成更為 強大的分類器 ,對于多類分類的問題 ,分別采用 1 對 1,1 對多的策略 ,而且對 比這兩種策略的優(yōu)缺點后 ,考慮使用 1 對 1 的辦法。 8 中南民族大學碩士學位論文 圖 JAFFE 數(shù)據(jù)庫中六種基本表情 依次為生氣 (Angry)、厭惡 (Dislike)、恐懼 (Fear)、高興 (Happy)、悲傷 (Sad)、驚訝 (Surprise) 圖 Yale 數(shù)據(jù)庫中的表情圖像 依次為高興 (happy)、悲傷 (sad)、驚訝 (Surprise)、中性 (normal) 本文內容安排 目前人們對表情識別的研究大都是從靜態(tài)圖像或者圖像序列中提取表情特 征 ,然后根據(jù)這些特征信息通過設計相應的分類算法把表情 歸為某一類別以完成 分類任務。 (二 )Yale 人臉數(shù)據(jù)庫 這是由耶魯大學計算視覺與控制中心創(chuàng)建 ,包含 15 位志愿者的 165 張圖片 , 每人有 11 張圖片 ,其中包含了光照 ,表情和姿態(tài)的變換。所有人臉都是正面臉相 ,臉部尺寸基 本一致 ,光照均為正面光源 ,但光照強度有差異。該數(shù)據(jù)庫中包含了 213 幅分辨率為 256256 日本女性的面部灰度圖像。這兩 種分類策略都是要通過投票機制來決定 ,也就是判定 x 屬于獲票最多的那一類。它的基本思想是對線性可分或非線性可 分訓練樣本集運用最優(yōu)化理論 ,找出最優(yōu)分界面 ,再將訓練樣本經非線性分界面 映射到一個高維空間中產生線性分類界面 ,類間間隙足夠大時無錯誤分開 ,這樣 就可以使訓練樣本的錯分率最小 ,也使非訓練樣本的錯分率最小。通?？梢韵葘? 6中典 型的表情建立相應的模板 ,但是識別混合表情時就比較困難。隱馬爾科夫模型 (HMM) 就是一 種常用的用于離散時間序列建模的方法 ,它通常用于語音信號識別 ,并且取得了 很好的效果。 模板匹配的方法 ,首先要建立一個通用的人臉模型 ,再通過確定模型中的參 7 中南民族大學碩士學位論文 數(shù)來表征一種特定的人臉表情 ,最后就可以根據(jù)這些特定的表情模型參 數(shù)來設計 模式分類器。主要度量尺度有馬氏距離 ,歐氏距離 ,絕對 距離和余弦距離 等。對于靜態(tài)圖像 ,可以采用 空間距離、圖像匹配以及線性判別式分析(Linear [25] Discriminant Analysis,LDA) , 活 動 外 觀 模 型 法 (ActiveAppearance Models, [26] [27] AAM) ,支持向量機 (SVM) 。根據(jù)圖像不同的數(shù)據(jù)類型 ,識別方法主要分為兩類 :基于 靜態(tài)圖像的方法和