基于混合svm与adaboost分类的面部表情识别的人机交互.doc

基于混合svm与adaboost分类的面部表情识别的人机交互.doc基于混合SVM与AdaBoost分类的面部表情识别的人机
交互
摘要：基于二维主元分析（2DPCA）方法提岀一种混合支持向量机
（SVM）与AdaBoost算法的面部表情分类方法。首先，该方法对灰度图像 进行人脸检测，通过小波变换和二维主元分析得到特征数据，有效地减少 了计算量；然后，采用SVM方法对特征数据进行分类学习，得到初始分类 器；最后，通过AdaBoost算法对SVM分类结果进行进一步加强，形成强 分类器，提升了分类能力，确保了表情识别工作，并实现基于面部表情识 别的智能轮椅的人机交互的鲁棒性。实验结果表明：该方法不仅有效地提 高了样本的分类能力，而且降低了计算的复杂度，在智能轮椅人机交互实 验中的平均识别率达到92. 5%。
关键词：人脸表情识别；支持向量机；AdaBoost训练法
中国分类号:TP391文献标识码:A文章编号：10053824（2013）03001704 0引言
人脸表情识别是人机交互的重要研究内容，在过去几十年得到广泛研 究，并且成为一个研究热点。如何建立分类能力较强且计算复杂度较低的 分类器是人脸表情识别中的关键环节。2010年，李盛文等人［1］提出利用 AdaBoost方法，通过若干次迭代表情样本，得到一组分类能力较强的分类 器，取得一定的识别效果。文献［2］采取多级多类的分类方法，增加样本
数量，提高面部表情的识别率。上述2种分类方法，把每一类样本作为一 个初始分类器，要想得到理想的分类效果，都需要较强的约束或复杂的迭 代，复杂度较高。
本文首先采用Gabor滤波器提取表情特征，然后用二维主元分析的方 法进行降维，最后采用AdaBoost和SVM决策融合，实现分类器的二次加 强，有效地提高了对人脸表情的分类能力和效率。其中，为了增强面部表 情的分类效果，把SVM作为AdaBoost的初始分类器，由于SVM已经具有 一定的分类能力，两者结合后可以大大减少迭代次数，降低计算的复杂度, 具有较好的识别率。
1人脸表情识别系统
人脸表情识别系统主要包括3个部分：预处理、特征提取和分类器， 其结构框图如图1所示。
图1人脸表情识别系统的结构框图1. 1人脸表情识别预处理
Haar检测是人脸检测中常用的方法，但采集到的图像总会存在图片尺 度不确定和有较多冗余信息等缺陷［3］,这些都会影响到表情识别的准确 性和鲁棒性。为了保留有用信息，抑制和分隔外界干扰，对图像进行预处 理就显得特别重要。本文所采用的预处理方法包括图像灰度化、几何归一 化和图像滤波。
1. 2人脸表情的特征提取
Gabor变换［4］不仅具有提取表情图像局部细微变化的能力，而且对光
照变化不敏感，且能容忍一定程度的图像旋转和变形，具有较好的鲁棒性。
二维Gabor小波核函数的形式可以表示为w j(kj )= || kj || 2 o 2exp- II kj || 2? II z || 22 o 2
exp ( ikjz) -exp- a 22 (1) 式中，kj=kjx
kjy=kvcos © n
kvsin <l)Li ,这里取o =2 n , kmax= n /2, f=2o在表情提取方面，本 文选取5个频率(v=0, 1,…，4)、8个方向(—0, 1,…，7)的40个 Gabor核函数。使用这些核函数与表