结合分层LBP与改进Adaboost的人脸表情识别.pdf

学位论文的主要创新点一、在特征提取阶段,提出一种分层LBP算法,采用不同分块方式对图像进行两次分块,分别提取图像的整体和局部信息,并采用权重策略对眉、眼、口所在区域赋予更高的权值,突出其重要性,更好地提取描述人脸表情的特征信息二、针对Adaboost分类算法作了改进,不再仅仅依赖弱分类器的识别效果判断样本的重要性,同时考虑到当前若干弱分类器组合在一起的强分类器的识别效果,即弱分类器选择特征时更注重其在强分类器中的表现,这样,增强了Adaboost分类器的性能。万方数据摘要表情是人类表达情绪的基本方式之一,人脸表情在人们交流中有着重要的作用,它不仅可以准确表达人类的思想感情,而且也可以通过人脸表情来了解对方的态度和内心世界。通过计算机理解人的情感、适应人的自然交流方式,是未来发展趋势。因此,人脸表情识别相关技术成为了人工智能、计算机技术、心理学、神经学和生理学等诸多领域的研究热点,并推动了一些相关学科的发展,具有重要的理论意义和实用价值,与之相关的产业能够产生较大的经济和社会效益。在人脸表情识别过程中,特征提取和分类识别是其核心部分,决定着识别效果的好坏,因此,本文以人脸表情图像的特征提取及分类识别方法为主要内容进行了较深入的研究。针对现有表情识别算法的研究现状,本文提出了结合分层 LBP与改进Adaboost的人脸表情识别,主要包括以下内容: (1)在特征提取阶段,首先分别介绍了LBP和Gabor小波两种常用特征提取方法,分析两种方法的优缺点,然后,提出一种分层LBP的特征提取方法,采用不同分块方式对图像进行两次分块,分别提取图像的整体和局部信息,并采用权重策略对眉、眼、口所在分块赋予更高的权值,突出其重要性,更好地提取描述人脸表情的特征信息,既解决了高维大数据问题,又实现了较高识别率。(2)在分类识别阶段,本文研究了Adaboost算法,其核心思想是针对同一训练集训练不同的若干个弱分类器,然后将其线性组合成一个更强的强分类器。算法通过调节样本权重,使分类器更加注重那些不易区分的样本,本文在调节样本权重方面作了改进,不再仅仅依赖弱分类器的识别效果判断样本的重要性,同时考虑到当前若干弱分类器组合在一起的强分类器的识别效果,即弱分类器选择特征时更注重其在强分类器中的表现,这样,增强了Adaboost分类器的性能。(3)针对人脸表情多类识别问题,研究了利用Adaboost算法进行多类分类的问题,分别介绍了l对l和1对多两种分类策略,总结了两种策略的优缺点,通过实验对比,l对多分类策略虽然在分类器个数少于1对1分类策略所需训练的分类器个数,但后者在识别效果上远远优于前者,因此,本文选用l对1分类策略进行人脸表情识别,%,尤其在厌恶、生气等表情上与对比文献相比效果更佳。关键词:表情识别;分层LBP;Adaboost算法;特征提取;多分类识别万方数据 Abstract Facialexpression is one ofthebasicway ofexpressing avitalrole munication,it call notonly reflectthethought ofpeople accurately,but tap into theattitudeand innerworld oftheopposite is no doubt thatunderstand people’S emotions and adapt topeople’S munication ways puter is thedevelopment tr℃ recognition hasbeen the hot research point inthe field of puter technology, psychology,neuroscience and physiology,which willpush forward thedevelopment ofsome related disciplines atthe same the great theoretical significance and practical value concealed within thetechnology,some relevant industrieswilldefinitelyproduce huge economic and socialbenefitS. Feature extraction and classification are core parts inthe process of