基于流形學習的人臉表情識別算法研究.pdf

1、表情識別是理解情感的基礎，是智能化人機交互所要解決的一個重要課題，也是人們探索智能、理解智能的有效途徑。由于人臉表情本身的多樣性和非線性特點，用線性處理方法很難獲得令人滿意的識別結果。本文主要對基于流形學習的人臉表情特征提取方法進行了研究，目標是解決監(jiān)督學習中小樣本情況下的識別問題和半監(jiān)督學習中有標記樣本數量有限情況下的識別問題，論文的主要貢獻如下:
　　第一，將基于線的相似度度量（最近特征線）引入流形學習準則，構建基于線的近鄰圖

2、，提出了模糊局部最近特征線算法(FLNFL)。不同于傳統(tǒng)的近鄰圖，特征線圖中的每個“頂點”不是孤立的樣本點，而是由同類別的樣本點構成的特征線。特征線能夠逼近樣本間可能出現的變化，等同于模擬出無窮多個特征點，樣本集的表示能力便因此增強了。此外，采用模糊方法計算樣本的類隸屬度和權重矩陣，從而減弱了相似樣本之間的混疊，準確的刻畫樣本的內在關系。實驗結果表明FLNFL可以有效的提取人臉表情特征，提高人臉表情識別的準確度。特別是在規(guī)模較小的JAF

3、FE表情庫上，FLNFL算法的優(yōu)勢更為明顯。
　　第二，分析了最短特征線段分類器的優(yōu)勢和不足，提出了一種新的基于線的相似度度量，稱為改進的最短特征線段。該度量方法將最近特征線和最短特征線段相融合，避免了二者的缺點，同時保留了擴大樣本表示容量的優(yōu)勢。將這種新的度量方法用于構建鄰域圖，并結合判別分析的思想提出了圖保持最短特征線段算法(GSFLS)。實驗證明，相比基于最近特征線度量的特征提取算法，GSFLS提取出的人臉表情特征判別性更強

4、。
　　第三，傳統(tǒng)的基于圖的半監(jiān)督流形算法利用有標記樣本挖掘類別結構，大量的無標記樣本用于捕獲數據集的流形拓撲結構，其潛在的類別信息被忽略了，該信息對獲得數據集的判別性結構大有幫助。當有標記樣本的數量較少時，得到的對類別結構的刻畫是不準確的，導致算法的性能嚴重退化。為了解決上述問題，提出了概率半監(jiān)督判別分析算法(PSDA)。該方法構建了類重建誤差與類別信息的非線性函數關系，并引入模糊化思想，估計無標記樣本的類隸屬度。在類隸屬度的指

5、導下，大量無標記數據可以輔助標記樣本對數據集的分布進行更加準確的描述。實驗結果表明這種分配方式更適合表示由于內在的（如混合表情）或外部環(huán)境變化造成的類別不確定的表情樣本，逼近樣本集的內在結構。對于提高人臉表情識別的正確率效果顯著。
　　第四，在PSDA算法的基礎上，提出了其流形拓廣算法——圖嵌入概率判別分析(GPSDA)。首先給出模糊集的相似度定義，用于度量無標記樣本的模糊類別信息之間的相似關系。其次，結合類別關系和鄰域關系構建監(jiān)