隨著計算機技術(shù)的發(fā)展,面部表情識別技術(shù)的應(yīng)用范圍也隨之?dāng)U大。目前,面部表情識別算法的研究已經(jīng)成為人工智能領(lǐng)域的一個重要分支,該技術(shù)的研究和應(yīng)用使人機交互變得更加智能。表情識別面臨的一個重要問題是:從人臉圖像中提取的特征將無可避免地包含人臉身份信息。因此本文旨在研究如何在特征提取過程中突出表情信息。本文將從局部特征和全局特征兩方面進行研究,具體內(nèi)容如下:(1)針對局部特征方法進行改進。使用詞袋模型作為基礎(chǔ),提取局部信息。首先,在進行特征提取時使用改進的LBP算法得到突出表情的局部特征,在編碼時加入原始像素的梯度信息,既能得到表情特征又能得到表情特征的位置信息;然后采用稀疏相關(guān)約束下的非負矩陣分解算法進行降維,根據(jù)稀疏約束使降維后的特征簡潔,根據(jù)相關(guān)約束使降維后的特征保留更多地相似性,便于后續(xù)構(gòu)造字典和編碼。(2)針對全局特征方法進行改進。由于直接提取圖像特征會存在人臉身份信息干擾,所以一方面利用DWT算法獲得人臉的表情圖像,將該圖像特征與整體面部特征進行融合,得到表情加權(quán)的全局信息;另一方面,利用互信息來衡量表情圖像間的相似性,將其用于構(gòu)造流形降維中的鄰接矩陣,使降維特征中保留表情信息的...

【文章來源】： 燕山大學(xué)河北省

【文章頁數(shù)】：66 頁

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 表情識別框架
    2.1 數(shù)據(jù)集介紹
    2.2 圖像預(yù)處理
        2.2.1 人臉圖像檢測
        2.2.2 歸一化
    2.3 特征提取
        2.3.1 基于降維特征提取
        2.3.2 局部特征提取
        2.3.3 全局特征提取
    2.4 分類方法
    2.5 本章小結(jié)
第3章 基于局部特征的表情識別算法
    3.1 改進的LBP算法(GLBP)
    3.2 基于非負矩陣分解的降維
        3.2.1 非負矩陣分解
        3.2.2 基于相關(guān)約束和稀疏約束下的改進非負矩陣分解
    3.3 基于局部二值的視覺詞袋模型
        3.3.1 視覺詞袋模型基本步驟
        3.3.2 改進視覺詞袋模型
    3.4 實驗與分析
        3.4.1 JAFFE數(shù)據(jù)集實驗
        3.4.2 TEFID數(shù)據(jù)集實驗
        3.4.3 CK+數(shù)據(jù)集實驗
        3.4.4 特征降維維數(shù)對比實驗
        3.4.5 其他算法對比實驗
    3.5 本章小結(jié)
第4章 基于全局特征的表情識別算法
    4.1 基于2DGabor小波變換的人臉特征提取
    4.2 基于離散小波變化的表情特征加權(quán)
    4.3 表情互信息流形學(xué)習(xí)
        4.3.1 流形學(xué)習(xí)
        4.3.2 互信息
        4.3.3 互信息保局投影降維模型
    4.4 協(xié)同表示分類
    4.5 實驗與分析
        4.5.1 JAFFE數(shù)據(jù)集實驗
        4.5.2 TEFID數(shù)據(jù)集實驗
        4.5.3 CK+數(shù)據(jù)集實驗
        4.5.4 特征降維維數(shù)對比實驗
        4.5.5 其他算法對比實驗
    4.6 本章小結(jié)
第5章 基于局部特征與全局特征的表情識別算法
    5.1 融合方法
    5.2 實現(xiàn)框圖
    5.3 實驗與分析
        5.3.1 數(shù)據(jù)集劃分比例對比實驗
        5.3.2 全局算法與局部算法融合
        5.3.3 混淆矩陣
        5.3.4 噪聲實驗
        5.3.5 其他算法對比
    5.4 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝


【參考文獻】：
期刊論文
[1]基于特征融合的人臉表情識別研究 [J]. 高理想,高磊.  軟件工程. 2019(12)
[2]基于互信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法研究 [J]. 沈侖,壽鵬里.  科學(xué)技術(shù)創(chuàng)新. 2019(34)
[3]基于離散小波變換和梯度銳化的遙感圖像融合算法 [J]. 姜文斌,孫學(xué)宏,劉麗萍.  電光與控制. 2020(05)
[4]基于多特征融合密集殘差CNN的人臉表情識別 [J]. 馬中啟,朱好生,楊海仕,王琪,胡燕海.  計算機應(yīng)用與軟件. 2019(07)
[5]自適應(yīng)Gabor卷積核編碼網(wǎng)絡(luò)的表情識別方法 [J]. 梁華剛,張志偉,王亞茹.  計算機工程與應(yīng)用. 2020(10)
[6]基于改進的局部方向模式人臉表情識別算法 [J]. 羅元,余朝靖,張毅,劉浪.  重慶大學(xué)學(xué)報. 2019(03)
[7]基于LBP和PCA的表情識別 [J]. 范禮鴻,寧媛.  新型工業(yè)化. 2019(02)
[8]基于改進的局部二值模式算法的表情識別 [J]. 賈磊,魯旭濤,孫運強.  國外電子測量技術(shù). 2018(10)
[9]融合AAM、CNN與LBP特征的人臉表情識別方法 [J]. 李艷瑋,鄭偉勇,林楠.  計算機工程與設(shè)計. 2017(12)
[10]改進的多尺度局部二值模式的表情識別方法 [J]. 蘆敏,周海英.  河北農(nóng)機. 2017(10)

博士論文
[1]基于子空間分析的面部表情特征提取算法研究[D]. 鄭寧.鄭州大學(xué). 2016

碩士論文
[1]基于混合特征的人臉表情識別算法研究[D]. 吳越.哈爾濱工程大學(xué). 2019
[2]基于特征融合的人臉表情識別研究[D]. 付克博.杭州電子科技大學(xué). 2017
[3]基于自適應(yīng)加權(quán)LBP和協(xié)作表示的人臉表情識別[D]. 石婉婉.南京郵電大學(xué). 2016
[4]基于改進的LBP算子和稀疏表達在人臉表情識別上的醫(yī)用[D]. 趙棟杰.江蘇科技大學(xué). 2016
[5]基于Gabor小波的人臉表情識別研究[D]. 劉勝.華中科技大學(xué). 2015
[6]基于HOG特征的人臉表情識別算法研究[D]. 王鎮(zhèn).南京郵電大學(xué). 2015



本文編號：3530317