表情包含丰富的情感信息,是人们理解感情的重要途径,在人们日常生活中起着重要作用,现在自动表情识别已经成为图像处理方面的最热门课题之一。目前面部表情的分析与识别的方法大致归为两类:基于动态图像序列的识别方法,如特征跟踪[1]、图像差分[2]等方法,另一种是基于静态图像的方法,常用的有几何结构特征、AAM[3]和Gabor小波特征[4]200-202等。
本文针对静态人脸表情图像,首先用Gabor滤波器进行特征的提取,再用MutualBoost算法选择特征,最后以支持向量机(SVM)构造分类器进行识别,最终得到分类结果,整个流程如图1所示。
1 表情特征的提取
在人脸表情识别中,由于原图像所需处理的信息量太大,因此要对图像进行表情特征的提取以降低计算量和提高系统的识别效率。在进行特征提取前要对输入的人脸图像进行预处理,用以尽量保留有用信息和抑制无用信息的干扰。
1.1 图像预处理
图像的预处理包括人脸的定位、人脸区域几何归一化以及灰度归一化。经过预处理后的图像如图2所示(包含了主要的七种表情):
1.2 Gabor滤波器 南粤论文中心(WWW.NYLW.NET)
Gabor滤波器作为一种特征提取和图像表征方法,在图像识别、图像分析等领域得到广泛的应用。Gabor核函数很好地描述了哺乳动物初级视觉系统中一对简单视觉神经元的感受特性。是唯一能达到时频测不准关系下界的函数,能够在时域和频域中兼顾对信号分析的分辨率要求。Gabor小波变换是用一组Gabor滤波器函数与给定信号的卷积来表示或逼近一个信号。二维Gabor滤波器的函数形式可以表示为
其中,x→为给定位置的图像坐标;k→j为滤波器的中心频率;φμ体现了滤波器的方向选择性。不同的μ对应不同的尺度;不同的υ对应不同的方向;波矢量k控制滤波器的空间分辨率和方向,参数σ控制包络函数的震荡次数;在二维Gabor滤波器中减去exp(-σ2/2),从而使滤波器对图像全局光照变化不敏感。
1.3 Gabor特征提取
本文采用了共包含有5个尺度和8个方向的Gabor滤波器组,根据图像的特点和神经生理学[5]的结论来选择参数, 本文采用了共包含有5个尺度(υ=0,1,2,3,4,5,6,7)和8个方向(υ=0,1,2,3,4,5,6,7)的Gabor滤波器组,并令σ=2π,使滤波器的带宽约为1倍频程。
将输入图像与40个滤波器进行卷积, 并取其幅值作为输出。 设预处理之后的图像的大小为M*N,则通过Gabor滤波器组后得到的Gabor特征的维数高达40*M*N, 计算量相当大, 实际应用性很差。 而Gabor特征在相邻像素间是高度相关和冗余的, 所以通常只需要稀疏的提取部分节点上的Gabor特征。 目前, 通常采取的取点方法主要是人工手动定位, 将取值点主要集中在眉毛、 额头、 嘴唇等最能体现表情变化的部位, 但此种方法自动化程度低, 对点的提取主要依赖于人的经验, 可靠度差。 故在本文中参考文献[6]的方法,采用8行6列规则分布的采样点,从而对每幅图像得到8×6×40=1 920维的特征向量,实现特征点的自动提取。
2 特征选择
1 920维的特征向量是一个非常大的数据量,而且面部不同部位对体现表情的贡献是不同的,因此每幅图像中的40个特征对于表情识别的重要性也是不一样的。为了挑选出最重要的特征并降低数据量,目前很通用的方法是使用AdaBoost[7]算法进行特征选择,但AdaBoost算法没有考虑特征向量之间存在的冗余信息,所选出的特征向量之间仍然存在较高的冗余信息量。本文引入了基于互信息的MutualBoost算法进行特征选择,Mutu- lBoost算法在AdaBoost算法的基础上将互信息(MI)的概念引入进来,以此来消除无效的弱分类器。每个弱分类器看作随机变量,在筛选弱分类器时,计算它与已选中的弱分类器之间的互信息,以确定它携带的信息是否重复。
MutualBoost算法在挑选最重要的特征同时,也降低了所选特征向量间的冗余信息量。因此它筛选的特征向量所具有的信息量明显低于AdaBoost算法选择的特征向量,所以,在筛选出相同维数特征向量的情况下,采用MutualBoost算法的识别效果要明显优于AdaBoost算法。图4显示了用Adaboost和MutualBoost算法筛选出的200维的Gabor特征向量间的冗余信息。特征维数
1. 源算法;2. 改进算法
对文献[8]中的方法加以修改,就可得到适用于表情识别的MutualBoost特征选择算法
设样本集
类别j的样本集为
类别权重界限
输入:样本集S及类别权重界限αk。
(1) 初始化权重,其表达式如下
① 对各类别进行权重归一化,使其类别权重为αk,表达式如下南粤论文中心(WWW.NYLW.NET)
② 分类器筛选及冗余检查:
(a) 对每个候选弱分类器hj,计算其分类误差εj如下
(b) While(true)
Do
选出具有最小分类误差εj的弱分类器hj,计算互信息R(hj);
If(R(hj) Else 从候选列表中删除hj;
End While
③ 更新权重
wt+1,i←wt,iβ1-eit(9)
其中,ei=1,h(xi)=yi0,otherwise,βt=εt1-εt
算法终止。其中,互信息阈值(Threshold Mutual Information,TMI)需要根据经验事先定义,对于JAFFE表情库,令TMI=0.2较为合理。
3 特征分类
支持向量机[9](SVM)对非线性、高维数的小样本人脸识别问题有非常好的分类效果和学习推广能力。SVM 基于统计学习理论,采用结构风险化最小化原理,可兼顾训练误差和泛化能力。本文采用线性内积函数构造SVM 两类分类器,采用一对一策略,对P个类构建P(P-1)/2个两类分类器,每个分类器将其中2个类别相互区分开来,以此进行多类模式识别。对每两个类别设计1个分类器,用其中的一类样本作为正样本、另一类样本作为负样本进行训练。在测试时,采用“投票”策略,将测试样本输入到所有分类器中,各个分类器的判别结果对各个类别进行“投票”,最后把测试样本判别为得票数最多的类别。 (责任编辑：南欧)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）
- 毕业论文定制
南粤论文中心提供本科/研究生/博士毕业论文，从提纲，开题到后期免费修改,免费指导答辩等 ，联系人：魏老师，电话：13450375436。 - 代写代发职称论文
南粤论文中心提供职称论文代写，报告总结，演讲致辞,心得体会,党团辅导等代写服务并推荐发表省级,国家级,核心杂志包发。联系QQ:631069747。
基于Mutual Boost和支持向量机的表情识别
来源：南粤论文中心(WWW.NYLW.NET) 作者：聂尧 发表于：2010-11-30 16:39 点击：次
【关健词】人脸表情识别(FER);Gabor滤波器;Mutual Bo
摘 要:主要研究自动人脸表情识别(FER),首先使用Gabor算法提取人脸图像的特征,再针对Gabor特征维数高、冗余大及利用传统的AdaBoost算法进行特征选择时特征间仍存在较大冗余的特点,引入了基于互信息的AdaBoost算法(MutualBoost)进行特征选择,降低特征维数和减少特征间的冗
顶一下
(0)
0%
踩一下
(0)
0%
版权声明：因本文均来自于网络，如果有版权方面侵犯,请及时联系本站删除.
