人臉表情識(shí)別系統(tǒng)中的分類方法研究.pdf

1、本文對(duì)人臉表情識(shí)別系統(tǒng)中的分類模塊進(jìn)行了研究。實(shí)現(xiàn)了基于靜態(tài)圖像和視頻序列場景中的人臉表情識(shí)別算法。通過對(duì)特征數(shù)據(jù)的處理分析，訓(xùn)練得出每個(gè)人臉肌肉運(yùn)動(dòng)單元(Action Unit，AU)的分類器，根據(jù)運(yùn)動(dòng)單元的分析結(jié)果，結(jié)合表情事件集的預(yù)定義，最終得出表情分類結(jié)果。該系統(tǒng)將運(yùn)動(dòng)單元的分類和解釋模塊分開，使得其應(yīng)用范圍更為廣泛，對(duì)于場景的變化要求能夠靈活便捷的滿足。
　　 本文首先介紹了人臉表情識(shí)別系統(tǒng)的應(yīng)用背景和研究現(xiàn)狀。接著介

2、紹了幾種常見的分類方法并指出了各自的優(yōu)缺點(diǎn)，從統(tǒng)計(jì)學(xué)習(xí)理論的角度引出了本文運(yùn)動(dòng)單元分類模塊所選用的分類算法——支持向量機(jī)(Support Vector Machine，SVM)算法。結(jié)合SVM算法的理論介紹，詳細(xì)闡述了該算法在AU分類模塊中的相關(guān)應(yīng)用。通過對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析，利用主成分分析算法進(jìn)行數(shù)據(jù)降維，從而減輕計(jì)算壓力。同時(shí)，數(shù)據(jù)的歸一化處理消除了奇異樣本對(duì)分類結(jié)果的不利影響。SVM分類器的核函數(shù)選擇部分，我們給出了傳統(tǒng)的徑向基核

3、函數(shù)以及線性核函數(shù)結(jié)合徑向基核函數(shù)兩種不同的核函數(shù)選擇方式所對(duì)應(yīng)的F1分?jǐn)?shù)，后者在時(shí)間性能上具有較大的優(yōu)勢(shì)。最后，我們給出了AU到表情事件集的映射關(guān)系，結(jié)合概率模型，構(gòu)成AU解釋模塊。經(jīng)過系統(tǒng)綜合測(cè)試，AU的識(shí)別率能夠達(dá)到目前該領(lǐng)域較好的水平，我們將測(cè)試結(jié)果與FERA(Facial ExpressionRecognition and Analysis)大賽提供的參考方案的結(jié)果進(jìn)行了比較分析，從平均意義上看，無論是在精確度、F1分?jǐn)?shù)還是在