本文關鍵詞：基于子空間分析的面部表情特征提取算法研究

  更多相關文章： 子空間分析 面部表情 特征提取 廣義多重最大散布差準則 流形學習 多流形鑒別分析

【摘要】：面部表情能夠提供人們情緒的敏感線索,對其的識別作為人機交互的一個關鍵功能受到科研人員的廣泛關注。由于面部表情呈現(xiàn)出的非剛性特點,致使傳統(tǒng)的表情識別方法難以達到令人滿意的效果。子空間分析方法是當前模式識別領域的一個研究熱點,它利用統(tǒng)計分析方法將樣本投影到某個最優(yōu)子空間,以實現(xiàn)數(shù)據(jù)降維和特征提取。本文主要針對基于子空間分析的面部表情特征提取算法進行了研究,旨在提取出用于有效表征面部表情的特征進行分類識別,論文的主要貢獻如下:第一,針對基于差準則的特征提取算法無法有效提取鑒別信息的問題,提出廣義多重最大散布差準則(GMMSD)及相應的特征提取算法。該算法利用差準則代替熵準則避免了“小樣本”問題,并且利用QR分解能夠提取出更有效的鑒別特征用于面部表情識別,同時也降低了特征提取時的運算復雜度。與傳統(tǒng)特征提取方法相比,GMMSD具有如下三個特點:(1)避免了“小樣本”問題,無須對樣本進行預處理步驟;(2)利用QR分解對原始樣本進行特征提取,保留了原始樣本的分布特征;(3)根據(jù)不同的變化矩陣,GMMSD可以演化成不同的特征提取算法,表明了GMMSD的廣義性特點。實驗表明GMMSD能夠有效提取面部表情的鑒別特征,提高面部表情的識別精度。第二,針對訓練集可能添加樣本的情況,提出了增量型廣義散布差準則算法(IGMMSD+)。IGMMSD+將增量更新的情況分為兩種:添加新樣本到新類別和添加新樣本到存在的類別,分別給出了以上兩種情況下的增量更新算法,避免了實際應用中訓練集更新時重新對整個庫進行訓練的問題。IGMMSD+算法有以下幾個方面值得強調(diào):(1)IGMMSD+的性能完全等價于GMMSD+,即增量更新過程并沒有近似計算過程,而其它增量算法多是近似形式,無法達到原始算法的識別性能;(2)GMMSD+可將每類訓練樣本的均值矩陣分成兩部分:訓練集共有成分(ICC)和鑒別差異成分(DDC)。更甚的是,提出的算法能自動丟棄包含有較少鑒別信息的ICC,同時保留包含有真正鑒別信息的DDC。第三,為了有效地揭示面部表情中存在的潛在結構,提出多流形鑒別分析算法(MMDA)。傳統(tǒng)的流形學習方法假設不同表情處于同一個流形上,然而這種假設至今沒有被科研人員所證明,即并不能肯定各類面部表情僅僅處于一個流形。與多數(shù)算法不同的是,MMDA利用能夠反映表情變化的面部表情顯著區(qū)域作為訓練,結合多流形學習方法,提取具體表情下的流形鑒別信息。多流形鑒別分析方法具有以下三個優(yōu)點:(1)MMDA只利用面部表情的顯著區(qū)域作為訓練和測試。這種方式避免了非表情顯著區(qū)域對識別結果的干擾,同時也減少了算法的運算復雜度;(2)對比以往的單流形表情識別方法,基于多流形學習的算法不但可以避免訓練過程中由于樣本數(shù)量的限制可能造成的過擬合問題,同時也有助于提高表情識別性能。第四,針對多數(shù)方法將圖像轉化為一維向量,造成維數(shù)過高,運算復雜度大以及可能出現(xiàn)的“小樣本”等問題,提出二維多流形鑒別分析(2DMMDA)算法。2DMMDA直接利用圖像的二維數(shù)據(jù)進行特征提取,解決了維數(shù)過高的問題,同時也避免了小樣本問題的發(fā)生。本文在二維鑒別局部保留投影的基礎上,構建同類樣本之間的相似性矩陣和異類樣本之間的差異性矩陣。另外,考慮到同類樣本之間的差異性對各表情特征提取的重要性,將同類樣本之間的差異性信息引入到算法當中,從而提高表情的識別效果。
【學位授予單位】：鄭州大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 余成波;秦華鋒;;手指靜脈圖像特征提取算法的研究[J];計算機工程與應用;2008年24期

2 周嬌;李端明;曹泰峰;;導彈圖像特征提取算法及系統(tǒng)架構[J];兵工自動化;2011年03期

3 毛建鑫;劉煒;侯秋華;孫紅彬;;一種改進的水果特征提取算法[J];計算機工程與應用;2013年06期

4 張向群;張旭;;基于二維判別局部排列的特征提取算法[J];計算機工程;2013年08期

5 王化U，

本文編號：1272537