基于HCBP及特征選擇AdaBoost的人臉表情識別研究.pdf

1、人臉表情識別是計算機科學的熱點領域，作為一門交叉學科，人臉表情識別的進步將直接影響到心理學、人工智能、數(shù)據挖掘、生命科學等多門學科的發(fā)展。隨著科學的進步，它在研究、醫(yī)療、商業(yè)等領域的作用將會給人類的生活帶來巨大的影響。目前有關人臉表情識別的研究還處于理論階段，尤其在特征提取和表情分類方面還有許多地方需要改進才能適應實際應用。
　　本文從特征提取和分類兩個方面入手，歸納總結了當前人臉表情識別的相關方法。在特征提取和分類上，分別以紋理

2、特征和分類器集成為研究重點，針對LBP(Local Binary Pattern)和AdaBoost的不足分別提出了改進方法。本文的主要工作如下:
　　(1)針對特征的提取，提出了直方圖加權HCBP(Haar-like Centralized BinaryPattern)的特征提取算法。CBP(Centralized Binary Pattern)是LBP的改進算法，克服了LBP在維數(shù)和特征描述方面的缺點，但與LBP相同，CBP也

3、是采用像素點間的直接操作，在對像素變化的表達上存在不足。Haar-like是一種對像素區(qū)域操作的特征，能夠有效反映像素的變化，本文將Haar-like特征與CBP相結合，并對圖像分塊，利用信息熵加權，區(qū)別不同人臉區(qū)域對表情的貢獻程度，提高了特征的表征能力。
　　(2)針對特征的分類，對傳統(tǒng)AdaBoost做了改進，提出了基于特征選擇的Adaboost分類器集成算法。傳統(tǒng)AdaBoost用于二分類，本文對Adaboost的權值選擇進

4、行了改進，以適應多分類要求;在AdaBoost每輪迭代中利用PCA(PrimaryComponent Analysis)進行特征選擇與排序，生成不同的隨機子空間，克服了AdaBoost基分類器差異性隨迭代次數(shù)增加而降低的缺點，同時降低了特征的維數(shù);修改了投票方式，依據不同基分類器對每種表情的識別效果，給基分類器動態(tài)加權，增強了AdaBoost基分類器集成的效果。
　　通過實驗證明，本文算法在識別效果和時間效率上，都取得了較好的效果