多表情的人脸识别关键技术研究
人脸检测论文 表情识别论文 情感交互系统论文 嵌入式人脸表情识别系统论文
论文详情
多表情的人脸识别技术作为情感交互系统的核心技术之一,研究的目的在于让人工智能产品识别并理解人的表情甚至心情。许多应用都要求人脸表情识别有足够的准确度和识别速度,例如智能人机交互、智能机器人、安全驾驶、临床医学、心理学研究、智能监控及虚拟现实等。因此,通过提取人脸表情特征、降低特征维数和设计合理的表情分类器,来研究鲁棒、准确、快速的人脸表情识别方法具有重大意义。本文主要研究了人脸表情特征提取与表情分类这两个关键技术,分别提出了自己的改进算法,并通过仿真验证了改进方法的优势。在此基础上设计了PC机上的情感交互系统和在Linux-Arm环境下的人脸表情识别系统。在人脸表情图像的特征提取方面,本文提出了两种改进的方法——基于特征块的二元主成分分析算法和基于Gabor小波的局部二值模式算法。基于特征块的二元主成分分析算法是在二元主成分算法的基础上,利用基于纹理分布和变形模板的方法进行面部特征定位和分割,再对分割后的特征块归一化,最后用二元主成分提取特征。该算法既保持了二元主成分算法复杂度低的优点,又最大限度地保留了有用的表情特征,克服了二元主成分算法在人脸表情识别中存在的缺陷。基于Gabor小波的局部二值模式算法结合了Gabor小波和局部二值模式算法提取更多尺度和方向的人脸局部特征,利用局部二值模式算法降低Gabor幅值表征的特征值维数,使得表示人脸表情细节的纹理信息更加紧致,冗余度更低。该方法克服了Gabor滤波后特征维数过高和局部二值模式算法表征表情局部特征能力弱的缺点。在人脸表情图像的分类方面,本文提出了两种改进的分类方法——串级量子神经网络分类器和改进的支持向量机分类器。针对人脸表情中惊奇与高兴,害怕与厌恶这些比较容易混淆的问题,设计了四级量子神经网络分类器,该分类器中第一级和第四级采用的7类表情量子神经网络分类器,中间两级为“惊奇-高兴”表情对量子神经网络分类器和“害怕-厌恶”表情对量子神经网络分类器,并通过自适应算法得到的拒绝识别阈值,最大限度的拒绝识别任何可能会产生错误判决的样本,提高串级系统的可靠性。改进的支持向量机分类器用改进的粒子群算法优化支持向量机的关键参数,使得其能够在全局上取得最优值,并且根据人脸表情分类的特殊性,利用由粗到精的策略构造多层级联支持向量机分类器。在应用方面,设计了两种系统——基于VC++平台的情感交互系统和基于嵌入式平台的人脸表情识别系统。情感交互系统包括情感识别,情感计算,情感合成与输出三个方面。情感计算为表情特征提取和分类算法的应用;情感计算部分建立了隐马尔可夫情感模型,并且用改进的粒子群算法估计模型中的参数;在情感合成与输出阶段,首先采用NURBS曲面和面片相结合的算法,建立人脸三维网络模型,然后采用关键帧技术,实现了符合人类行为规律的连续的表情动画。嵌入式人脸表情识别系统通过移植Linux环境下的Qt工具包、OpenCV图像处理库和可执行程序到Tiny6410上实现。
摘要 | 第3-4页 |
Abstract | 第4-5页 |
第一章 绪论 | 第8-14页 |
1.1 研究背景与意义 | 第8-9页 |
1.1.1 研究背景 | 第8页 |
1.1.2 研究意义 | 第8-9页 |
1.2 研究现状 | 第9-11页 |
1.2.1 国外研究现状 | 第9-10页 |
1.2.2 国内研究现状 | 第10-11页 |
1.3 本文内容与组织结构 | 第11-14页 |
1.3.1 主要研究内容 | 第11-12页 |
1.3.2 本文结构与章节安排 | 第12-14页 |
第二章 图像预处理与人脸检测 | 第14-22页 |
2.1 引言 | 第14页 |
2.2 图像预处理 | 第14-15页 |
2.2.1 图像灰度化 | 第14页 |
2.2.2 图像直方图均衡化 | 第14-15页 |
2.2.3 图像的归一化 | 第15页 |
2.3 人脸检测 | 第15-19页 |
2.3.1 肤色模型 | 第16页 |
2.3.2 基于肤色模型的 AdaBoost 人脸检测 | 第16-19页 |
2.4 实验结果 | 第19-20页 |
2.5 本章小结 | 第20-22页 |
第三章 人脸表情图像的特征提取 | 第22-30页 |
3.1 引言 | 第22页 |
3.2 主要表情特征提取方法 | 第22-23页 |
3.3 基于 FB-2DPCA 算法的表情特征提取 | 第23-25页 |
3.3.1 感兴趣区域人脸切割 | 第23-24页 |
3.3.2 基于 FB-2DPCA 特征提取算法 | 第24-25页 |
3.4 基于 GLBP 算法的表情特征提取 | 第25-29页 |
3.4.1 Gabor 滤波器 | 第25-26页 |
3.4.2 LBP 特征提取 | 第26-28页 |
3.4.3 基于 GLBP 特征提取算法 | 第28-29页 |
3.5 本章小结 | 第29-30页 |
第四章 人脸表情图像的分类 | 第30-44页 |
4.1 引言 | 第30页 |
4.2 串级量子神经网络分类器 | 第30-32页 |
4.2.1 量子神经网络 | 第30页 |
4.2.2 串级量子神经网络分类器 | 第30-32页 |
4.3 优化支持向量机分类器 | 第32-40页 |
4.3.1 支持向量机 | 第32-34页 |
4.3.2 改进的粒子群优化算法 | 第34-37页 |
4.3.3 SVM 重点参数优化与分类器设计 | 第37-40页 |
4.4 实验结果与分析 | 第40-43页 |
4.4.1 实验方案 | 第40页 |
4.4.2 实验结果与分析 | 第40-43页 |
4.5 本章小结 | 第43-44页 |
第五章 情感建模与情感交互系统设计 | 第44-50页 |
5.1 引言 | 第44页 |
5.2 基于 HMM 的情感建模 | 第44-47页 |
5.3 情感合成与输出 | 第47-49页 |
5.4 本章小结 | 第49-50页 |
第六章 嵌入式人脸表情识别系统设计 | 第50-58页 |
6.1 引言 | 第50页 |
6.2 系统软硬件平台设计 | 第50-52页 |
6.3 嵌入式人脸表情识别系统实现 | 第52-57页 |
6.3.1 基于 V4L2 的视频图像捕获 | 第52-53页 |
6.3.2 基于 OpenCV 的人脸检测 | 第53-55页 |
6.3.3 人脸表情识别 | 第55-56页 |
6.3.4 系统搭建结果 | 第56-57页 |
6.4 本章小结 | 第57-58页 |
第七章 总结与展望 | 第58-60页 |
7.1 论文的主要研究内容和结论 | 第58-59页 |
7.2 进一步研究的展望 | 第59-60页 |
致谢 | 第60-61页 |
参考文献 | 第61-64页 |
附录:作者在攻读硕士学位期间发表的论文 | 第64页 |
论文购买
论文编号
ABS2550460,这篇论文共64页
会员购买按0.30元/页下载,共需支付
19.2。
不是会员,
注册会员!
会员更优惠
充值送钱!
直接购买按0.5元/页下载,共需要支付
32。
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文