靜態(tài)圖像中正面人臉表情識(shí)別算法研究.pdf

1、近年來人工智能在學(xué)術(shù)界和工業(yè)界都得到了很大的發(fā)展，尤其是AlphaGo在圍棋比賽中4∶1戰(zhàn)勝李世石之后，人工智能技術(shù)受到了全民的重視。人臉表情識(shí)別技術(shù)作為人機(jī)交互的重要方式，也受到了更多的重視，一些企業(yè)更是提供了判定人臉微笑與否的API給用戶使用。本課題針對目前六種基本表情識(shí)別技術(shù)并未商用的現(xiàn)狀，提出了一種簡單的在靜態(tài)圖片中識(shí)別人臉基本表情的算法框架，并在MATLAB環(huán)境下編程實(shí)現(xiàn)了文中提出的算法。
　　本課題緊跟當(dāng)前人工智能迅速

2、發(fā)展的步伐，對靜態(tài)圖片中六種基本人臉表情的自動(dòng)識(shí)別技術(shù)進(jìn)行了深入地研究。為了驗(yàn)證本文算法的正確性，本文提出的算法在CK+與JAFFE數(shù)據(jù)庫上進(jìn)行了應(yīng)用。同時(shí)，本文提出算法獲得的識(shí)別率與一些文獻(xiàn)中獲得的識(shí)別率進(jìn)行了比較，進(jìn)一步說明了該算法的正確性和有效性。本文的主要研究內(nèi)容和創(chuàng)新研究如下:
　　(1)本文研究了靜態(tài)圖片中六種基本表情與其中性臉的相關(guān)性，將卡爾·皮爾森相關(guān)系數(shù)應(yīng)用到了定義人臉表情活躍區(qū)域的研究工作之上。本文首先對比了各

3、個(gè)表情與其中性臉的靜態(tài)圖像的相關(guān)性，然后根據(jù)各種表情與其中性臉的相關(guān)性數(shù)值的大小，確定了人臉表情的活躍區(qū)域。
　　(2)本文在人臉表情識(shí)別研究上首次提出并應(yīng)用了活躍區(qū)域歸一化方法。本文首先歸一化了人臉活躍區(qū)域，并在人臉的活躍區(qū)域提取了LBP與HOG特征。其中，為了更精確地定位人臉的活躍區(qū)域，一種在人臉上定位多個(gè)精確關(guān)鍵點(diǎn)的人臉對齊算法被應(yīng)用到了本文中。
　　(3) LBP與HOG特征在歸一化之后的活躍區(qū)域中被提取出來，并且在

4、該文章的實(shí)驗(yàn)中這兩種特征被較好地融合在了一起。實(shí)驗(yàn)證明，兩種特征融合之后的識(shí)別率較之單個(gè)特征效果更好。本文首次將伽瑪校正方法應(yīng)用到了LBP特征之上，該方法在很大程度上提高了人臉表情的識(shí)別率。
　　(4)本文定義了σ參數(shù)，研究者可以通過找到該參數(shù)的最大值來找到合適的伽瑪校正值。本文設(shè)計(jì)的實(shí)驗(yàn)證明了該參數(shù)很大程度上縮減了找到合適伽瑪校正值的工作量。
　　(5)在本文中，一種基于手工提取特征識(shí)別六種基本人臉表情的算法框架被提出，并