论文部分内容阅读
人脸表情识别是计算机视觉和模式识别领域的一个研究热点，引起越来越多的国内外研究者的广泛关注。人脸表情识别的目标是让人工智能产品能够自动识别出人的表情，进而分析人的内心情感。它能进一步增强人机交互的友好性和智能性，有着广泛的应用前景和潜在的市场价值。表情识别系统由以下几部分组成：人脸检测、图像预处理、人脸特征提取和表情分类。本文重点研究了静态图像表情识别中的一些关键问题，提出了一些改进的算法，并通过实验加以验证。论文的主要工作和创新点如下：（1）表情图像预处理：由于各种图像尺寸不同、角度不同、并会有多种光照条件的影响，因此采用均值方差归一化、几何规范化处理等方法对图像进行预处理。成功的预处理为提高表情识别率奠定了良好的基础。（2）特征提取环节：针对现有的多尺度中心化二值模式（Multi-scaleCentral Binary Patten，MCBP）的不足,提出一种基于小波的MCBP（WMCBP）的人脸表情识别方法，对小波分解后的两幅低频图像的特征区域进行CBP变换，得到多级局部CBP直方图序列特征。该方法不仅能获得更加准确的多尺度信息，而且明显的提高了识别速度。为进一步提高表情识别率,引入了高频区域提取到的加权的小波能量特征（Weighted Wavelet Energy Feature，WWEF）。这两部分特征在一定程度上可互补，将它们融合能在不明显增加运算量的前提下增强WMCBP的表情识别能力。（3）表情分类环节：随机森林算法（Random Forest，RF）作为著名的集成学习分类器，是模式识别中经常使用的分类方法。RF能够有效的处理大数据集，在分类的过程中给出变量重要性的估计，而且它的一个与众不同的特征就是不会产生过度拟合，本文采用RF作为人脸表情识别分类器，对构建RF模型中涉及到的一些参数，如决策树个数、候选属性个数、节点分裂策略等进行了深入探讨。实验结果证明，本文使用的特征提取与表情分类方法在人脸表情识别中是可行的，并取得良好的识别效果。