首页> 中文学位 >基于自适应加权LBP和协作表示的人脸表情识别
【6h】

基于自适应加权LBP和协作表示的人脸表情识别

代理获取

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景和意义

1.2 研究发展与现状

1.3 研究中面临的困难

1.4 人脸表情识别基本流程

1.5 论文研究内容与章节安排

第二章 基于LBP的人脸表情特征提取

2.1 原始的LBP算子

2.2 扩展后的LBP算法

2.3 基于自适应加权的LBP特征提取

2.4 本章小结

第三章 基于PCA的特征降维

3.1 特征降维原理及方法

3.2 PCA算法步骤

3.3 本章小结

第四章 基于协作表示的人脸表情分类

4.1 基于稀疏表示的人脸表情分类

4.2 基于协作表示的人脸表情分类

4.3 本章小结

第五章 实验结果与分析

5.1 实验流程介绍

5.2 实验结果与分析

5.3 本章小结

第六章 总结与展望

6.1 总结

6.2 研究展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间参加的科研项目

致谢

展开▼

摘要

面部表情是人与人面对面沟通中的一种非自然语言,表情中所代表的信息对于人机交互和情感研究等相关课题都起着至关重要的作用,而这些课题的研究对人工智能领域的发展也起着极大促进的作用。文中采用了基于自适应加权局部二值模式(Local Binary Pattern,LBP)和协作表示分类(Collaborative Representation based Classification,CRC)的表情识别算法。本文主要从特征提取、特征降维和分类器这三个方面进行了研究,主要的研究工作有:
  (1)原始的LBP算子只能表示图像的局部特征而不能表示图像的全局特征,并且原始的LBP算子无法区分图像中不同区域所表示的纹理信息。针对上述问题,文中提出采用自适应加权的LBP方法对表情图像进行特征提取。主要步骤是:首先将表情库里的图像进行尺度大小的归一化处理;其次根据不同的分块方式将图像进行均匀分块;然后利用LBP的均匀模式提取分块好的图像的特征并计算出每个子块直方图的信息熵;最后以每个子块直方图的信息熵的值作为加权因子,对表情图像的特征直方图进行加权。
  (2)为了满足稀疏表示分类器和协作表示分类器中的分类条件,探索表情分类中的特征维数与识别率之间的关系,需要对提取后的特征进行降维。文中利用主成分分析法(Principal Component Analysis,PCA)降低了加权后的表情图像的特征维数。因为文中采用的基于稀疏表示的分类器和基于协作表示的分类器都要求训练样本字典在满足特征维数小于训练样本的个数的前提下才能进行正确分类,所以必须要对特征提取后的训练样本进行特征降维。满足上述条件的同时,在最终的实验中也研究了表情分类中的特征维数与识别率之间的关系。
  (3)在基于稀疏表示的分类方法中,因过分强调稀疏约束进行l1范数求解,存在算法复杂的问题。为此,文中将协作表示的方法应用于人脸表情识别中。因为基于协作表示的分类器(CRC)主要是从基于稀疏表示的分类器(Sparse Representation based Classification,SRC)演变而来,所以文中首先阐述了基于稀疏表示的分类器(SRC)的来源和基本原理,然后通过理论和实验详细地对比了这两类算法,并证实了协作表示的分类方法在表情分类中的有效性。实验中采用本文提出的算法得到的表情分类结果中平均识别率高达97.00%。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号