人脸表情识别.pptx

人脸表情识别的开展
第一页，共17页。
目录



目录构造

第二页，共17页。
表情是人类用来表达情绪的一种根本方式，是非语言交流中的一种有效手段。人们可通过表情准确而微妙地表达自己的思想感情，也可通过表情识别对方的态度和内心世界。关于表情传递信息的作用，心理学家Mehrabian[1]给出了一个公式：
感情表露=7％的言词+38％的声音+55％的面部表情
Ekman和Frisen[3]提出面部表情编码系统(FACS)，用44个运动单元(Au)来描绘人脸表情变化，并定义了6种根本情感类别：惊奇、恐惧、厌恶、愤怒、快乐、悲伤。

第三页，共17页。
一个人脸表情识别系统一般包括3个环节，即人脸检测、特征提取、表情分类.
，这一环节的研究实际上已成为一个独立的方向，
，在提取特征数据的过程中，为了防止维数危机，可能还需要特征降维、特征分解等进一步处理；
，将输入的人脸表情分类到相应的类别，如AU组合或根本情感类别。

第四页，共17页。

第五页，共17页。
表情特征提取是FER系统中最重要的部分，有效的表情特征提取工作将使识别的性能大大进步。通过对大量文献的总结，可知好的表情特征提取结果应该具备以下几个条件：
(1)完好的表示出人脸表情的本质特征；
(2)去除噪声、光照及其他与表情无关的干扰信息；
(3)数据表示形式紧凑，防止过高的维数；
(4)不同类别表情的特征之间有较好的区分性。
人脸表情特征提取
第六页，共17页。
主成分分析法(PCA)
部分二值形式(LBP)
Gabor小波变换
特征提取算法
人脸表情特征提取
第七页，共17页。
主成分分析法(PCA)
PCA的主要思想是通过协方差矩阵分析各个属性之间的相关性，选取出该图像的主成分来排除这些冗余信息，并形成一个变换矩阵；再通过该矩阵实现Karhunen-Loeve变换(正交变换)，将原有的高维图片所形成的向量进展降维
由于PCA需要很大的存储空间以及计算复杂度，因此很多研究者都提出了相应的改进算法。Thai等在文献[231中比较了2DPCA和PCA，由于PCA需要将图片矩阵转换成向量后进展转换且其维数特别高，而2DPCA直接对图像矩阵进展转换。最后运用大量实验验证了2DPCA在表现力及速度方面都远远高于PCA。
第八页，共17页。
部分二值形式(LBP)
LBP通过计算图像中所包含的每个像素与其部分邻域的点在亮度上的序关系，然后对二值序关系进展编码形成部分二值形式，最后采用多区域直方图作为图像的特征描绘 。
→
第九页，共17页。
Gabor小波变换
Dogmas 提出了2-D Gabor滤波器,该滤波器具有一组不同参数,可以捕捉到显著的空间部分调制特性和方向选择特性。二维Gabor滤波函数在空间域和频率域中具有良好的分辨才能,具备提取图像部分信息变化的才能,同时,Gabor小波变换对光照和图像的变形有较好的鲁棒性,因此在图像处理中有广泛的应用。
第十页，共17页。