基于光流與HMM的疲態(tài)人臉中運動單元識別研究.pdf

1、表情識別是當前研究的熱點方向之一，對于情感分析，人機交互，智能系統(tǒng)方面有重要的意義。人臉運動單元的識別是表情識別的基礎(chǔ)，能更加精細的分析不同情感與精神狀態(tài)下面部特征變化，促進更好地分析表情。面部表情含有豐富的信息，但目前的AU識別研究大多數(shù)針對傳統(tǒng)的基本表情，突破傳統(tǒng)表情，深入挖掘諸如疲勞，困惑等特定表情的AU特征，并對相關(guān)AU進行有效的識別，對拓展表情識別的研究以及應(yīng)用領(lǐng)域都具有廣闊的前景。
　　本文從面部表情的角度出發(fā)分析疲勞

2、特征，深入分析了疲態(tài)人臉特征并探討顯著特征的AU表示方法。 FACS理論將不同面部動作進行分解并用獨立的AU單元來表示，這為情感分析，表情建模提供了可靠的依據(jù)。通過對疲態(tài)人臉特征的動作分析，總結(jié)出能表示疲態(tài)的AU單元。但FACS僅僅為指導(dǎo)性的系統(tǒng)理論，其中臉部運動單元也為單純的靜態(tài)的空間模板，然而表情動作的產(chǎn)生是一個面部多肌肉動態(tài)合成過程，為了凸顯這一特征，文中通過檢測圖像序列來提取特征并進行動態(tài)AU單元識別。
　　本文算法采用光

3、流法提取動態(tài)特征，光流中包含對象的運動信息，可被用來表示目標對象的運動情況。在處理之前采用AMM定位人臉特征點并劃分特征區(qū)域，區(qū)域劃分有助于更有針對性分析人臉特征，有效去除冗余信息，減少計算量。由于光流特征數(shù)據(jù)的維度較高，不適合直接進行分類處理，因而采用PCA進行降維處理，通過提取降維后的系數(shù)序列達到降維的目的，同時將多幀AU圖像PCA系數(shù)組合構(gòu)造特征值序列。在建模階段，針對序列觀測值為多維行向量的特點，采用連續(xù)型的隱馬爾科夫模型來建立