论文部分内容阅读
自然和谐且智能化的人机交互、人与机器人能自由的进行情感交流,一直都是人工智能领域的研究重点。人脸表情识别作为情感计算和人工智能中的重要组成部分受到了诸多学者的关注与研究,它同时也是图像处理和计算机视觉的一个研究热点,因此,开展对人脸表情识别的研究具有重大理论意义和实际应用价值。本文主要针对人脸表情识别中的特征提取和分类识别进行研究分析,旨在提出更具有准确性和鲁棒性的人脸表情识别算法。论文主要研究内容为以下几点:(1)曲波(Curvelet)变换是一种非常有效的多尺度、带通和方向性的几何分析工具,针对小波变换在提取图像边缘特征上的局限性提出的。在研究Curvelet变换进行表情特征提取的基础上,提出了基于Curvelet特征加权融合的人脸表情识别算法。该算法通过采用权值实现对Curvelet特征中的低频系数、细节1层系数、细节2层系数和高频系数表征图像能力的改动,以突出对表情识别比较有利的特征信息,提高分类识别的准确性。(2)为了获得更高的表情识别率和更强的鲁棒性,提出了一种基于Curvelet特征和稀疏表示分类(SRC)的人脸表情识别算法,分别采用Curvelet特征、加权融合的Curvelet特征和SRC实现表情的分类识别。实验证明该算法可以将未知表情图像由上述具有超完备性的特征字典准确又稀疏地表示出来,且对噪声与误差不敏感。(3)针对稀疏表示分类是根据最小残差进行分类判别的特点,提出了基于特征融合和稀疏表示残差融合分类的人脸表情识别算法,该算法首先将LBP特征与LPQ特征进行特征融合,使互补性的LBP/LPQ特征更具有特征表示能力。然后利用LBP/LPQ特征+SRC、Curvelet特征+SRC分别获得稀疏表示残差,接着根据残差信息构造出残差率,即次最小残差与最小残差的比值。最后,若两种方法的分类标签不一致则根据最大残差率进行判别分类。通过实验验证了特征融合和残差分类融合的融合算法能有效提高人脸表情的识别精度。