论文部分内容阅读
笑容是人与人之间进行沟通与交流的重要表达方式,因此代表笑容的笑脸表情是人脸各种表情中非常重要的一种。随着机器学习、计算机视觉技术以及数码产品的发展,关于笑脸识别技术的研究也迅速增多,在研究它的同时也能在一定程度上推动表情识别的发展。与其他表情识别相同,特征提取在笑脸识别的过程中至关重要,它的准确性和全面性,直接影响识别结果。目前的特征提取技术有Gabor小波、HOG、特征点提取、光流法等等。通常情况下,识别对象分为单张静态图像和动态图像序列两种。单一特征向量不能完全包含其表情信息量,因此通过不同的特征提取方法,将静态动态特征融合在一起,形成一个新的多融合特征,以此获取信息量更全面的笑脸特征,更大限度的提高识别率是很有意义。本文按照人脸检测及改进、特征区域划分、基于多融合特征的特征提取、表情分类识别的顺序进行了研究。本文首先分析了现有的人脸检测技术,最终选择基于haar特征和AdaBoost学习算法,并将传统的人脸检测方法和嘴部定位相结合,最终实现人脸二次检测。然后对特征区域划分的方法进行研究,根据人脸面部编码系统FACS及人脸肌肉运动分布图,对笑脸表情特征进行了分析,总结了AU6和AU12模型所涉及的面部运动区域,过程中结合人脸传统结构“三庭五眼”的先验知识,最终实现了对笑脸运动区域的划分。在特征提取时,利用Horn-Schunck光流算法,提出基于运动单元序列的局部光流特征。在此基础上采用CAA方法融合LBP特征和嘴部PHOG特征,形成一个混合的多融合特征进行笑脸识别。在分类识别模块中,采用HMM模型完成对笑脸表情的识别。创建三个特征区域的HMM模型,计算出各特征区域的特征向量通过对应模型的概率,并根据贡献分析法得出的权重值计算融合概率,通过阙值判定表情识别结果。通过实验证明分析,本文提出的特征融合方法能较好的达到笑脸识别的目的。