基于特征分類器優(yōu)化匹配和DBN決策的人臉表情識別.pdf

1、作為人類情感最直觀的表達方式，人臉表情及其相關的研究工作已經(jīng)在醫(yī)療、商業(yè)以及家庭生活等領域產(chǎn)生了深遠的影響。本文對人臉表情系統(tǒng)中的特征提取和分類識別進行了分析研究，對傳統(tǒng)主成分分析(Principal Component Analysis，PCA)算法進行了改進，提出了特征空間維數(shù)更低的特征提取方式;并根據(jù)特征表征人臉的互補性和分類效果的差異性，提出了多特征-分類器優(yōu)化匹配的識別方法：最后基于建立的動態(tài)貝葉斯網(wǎng)絡(Dynamic Bay

2、esian Network，DBN)對粗分類結果有分歧的表情圖像進一步?jīng)Q策。本文的主要工作如下：
　　(1)針對PCA降維過程中，由于特征值相對集中而造成維數(shù)仍然偏高的不足，本文提出了基于最優(yōu)樣本的主成分分析(Optimal Sample-PCA， OS-PCA)降維方法。OS-PCA通過選擇訓練樣本、優(yōu)化協(xié)方差矩陣，從而達到進一步降維的目的。鑒于離散余弦變換(Discrete Cosine Transform，DCT)對光照的魯

3、棒性，以及局部二值模式（Local Binary Patterns，LBP）對局部紋理特征的有效描述，本文結合DCT和LBP特征來彌補單一OS-PCA特征在人臉表情表征方面的局限性。為了更好地發(fā)揮特征與分類器的協(xié)作優(yōu)勢，本文構造了一個三層多分類器最優(yōu)匹配（Optimal Matching，OM）的人臉表情識別模型。首先將OS-PCA、DCT和LBP特征輸入模型;然后完成多特征與多分類器的最優(yōu)匹配;最后執(zhí)行粗分類結果投票表決，并對仍有分歧

4、的表情圖像進行自適應決策，從而得到最終識別結果。
　　(2)針對融合決策時間復雜度過高的問題，本文提出多特征多分類器匹配及動態(tài)貝葉斯網(wǎng)絡決策的人臉表情識別模型。首先基于訓練庫，模型完成了多個特征與多個分類器的優(yōu)化匹配及每個特征-分類器組合混淆矩陣的初始化。然后，將測試樣本的OS-PCA、DCT和LBP特征送入模型，得到三個粗分類結果。最后，利用得到的經(jīng)驗信息和建立的動態(tài)貝葉斯網(wǎng)絡，對仍有分歧的表情圖像進行融合決策，并且更新混淆矩陣