基于几何和纹理特征的表情层级分类方法

thinkfunny

基于几何和纹理特征的表情层级分类方法

% `  k6 R/ E7 r6 g0 ^/ S" I摘要:针对表情识别,为提取对个体差异鲁棒性更强的特征,并有效利用特征自身分布特性,本文提出基于几
/ Y- M) l; u# t2 z何和纹理特征的表情层级分类方法.首先,构建基于中性脸相似度的儿何将止捷取力法,目饥动告兆存本在三个层仍下取特征点比例系数几何特征;然后,利用充分矢量三角形提取纹理特征;最后,给出表情层级分类框架,在三个层级下
/ W" j) Z& U- o( Z分别利用提取特征判定表情类别.所提方法在JAFFE库和CK库上的实验结果表明,本文方法取得了比基于一般几何和纹理特征的识别方法更好的效果,证明了本文方法的有效性.
关键词:表情识别;几何和纹理特征;中性脸相似度﹔层级分类

6 g8 R  Z) b2 E+ T3 k1引言
/ E& f( A" m( E+ I5 l( J) `% j人脸表情识别是人工智能领域的重要分支,近年来,很多研究者对表情识别进行了研究,主要工作集中于表情特征提取与分类识别12].表情特征提取包括纹理特征提取方法与几何特征提取方法[3].纹理特征主要用来描述图像的局部灰度变化,代表性的方法有Ga-bor 小波[+、局部二值模式( Local Binary Pattern , LBP)[5]及LBP的改进算法[6.几何特征提取方法一般首先对人脸进行关键点定位,然后测量定位点间的相对距离，最后根据距离定义特征,如:夏海英等人[7提出了直接表示关键点位置信息的直接几何特征(Direct GeometricFeature , DGF)和间接利用关键点位置信息的间接几何特征( Indirect Geometric Feature , IDGF),并将 DGF和IDGF融合,共同表达几何特征;Anwar Saeed等人[8在眉部、眼角、嘴部定位8个关键点,计算获得6个归一化几何特征向量作为几何特征,并通过实验论证了几何特征对于表情识别的重要性; Song等人[利用主动外观模型( Active Apperance Model ,AAM)检测预处理后的人脸表情图像特征点;也有部分研究者首先二值化分割人脸图像,然后根据分割出器官区域的面积、周长等几何信息进行特征提取,最后分类识别10.上述几何特征提取方法都存在同样的问题,即没有考虑人脸个体差异给表情识别结果造成的不利影响,因此易积政等人["]提出特征点距离比例系数,一定程度上减少了由人脸个体差异带来的表情特征的差异.然而,该方法是基于已知测试样本中性脸的表情识别方法,对于未知中性脸的表情识别不具有推广意义.故本文提出基于中性脸相似度的面部几何特征提取方法,在测试过程中,首先进行测试样本与训练集中的中性表情样本之间的人脸相似度计算,设定相似度阈值,筛选出与测试样本相似度较高的中性脸样本,然后提取图像的特征点距离比例系数,最后根据中性脸相似度计算权值,从而获得测试样本的自适应加权几何特征,不仅增强了几何特征的个体差异鲁棒性,也提高了算法的推广性.
无论是纹理特征还是几何特征都只能从单一方面描述表情图像的特征,而单一的特征往往会使得识别结果具有一定的偶然性,鲁棒性与稳定性不理想,故很多研究者对多特征融合的表情识别方法进行了研究，

游客，如果您要查看本帖隐藏内容请回复

# A  \( d- B% A& T' j; L  Q
; ~; S$ I0 N$ e- v" ^
; ~) _6 Q# G" }1 e/ w

yin123

基于几何和纹理特征的表情层级分类方法