《人脸表情图形特征提取方法研究与实现》由会员分享，可在线阅读，更多相关《人脸表情图形特征提取方法研究与实现（71页珍藏版）》请在金锄头文库上搜索。
1、学 校 代 码 ： 10406分 类 号 ： TP393.17 学 号 ： XXXXXX南 昌 航 空 大 学硕 士 学 位 论 文（ 学 术 学 位 研 究 生 ）人 脸 表 情 图 像 特 征 提 取 方 法研 究 与 实 现硕 士 研 究 生 ：导 师 ：申 请 学 位 级 别 ： 硕 士学 科 、 专 业 ： 软 件 工 程所 在 单 位 ： 软 件 学 院答 辩 日 期 ： 2017年 6月授 予 学 位 单 位 ： 南 昌 航 空 大 学Research and implementation on feature extraction of facialexpression ima
2、gesADissertationSubmittedfortheDegreeofMasterOn Software EngineerbyUnder the Supervision ofProf.school of softwareNanchangHangkongUniversity,Nanchang,ChinaJune,2017I摘 要人 脸 面 部 表 情 识 别 是 通 过 计 算 机 对 人 脸 面 部 由 肌 肉 拉 动 所 产 生 的 表 情 图 像或 视 频 做 特 征 提 取 工 作 ， 并 按 照 人 类 目 前 理 解 经 验 和 思 想 认 识 来 实 施 表 情 归 类 和
3、表 情 识 别 ， 从 面 部 信 息 中 提 取 分 析 人 类 情 感 。 表 情 特 征 提 取 的 正 确 性 和 有 用 性 是表 情 可 否 正 确 识 别 的 关 键 。 本 论 文 的 重 点 是 对 表 情 图 像 特 征 提 取 方 法 进 行 研 究 。本 论 文 主 要 工 作 具 体 有 以 下 几 个 方 面 ：首 先 ， 详 细 介 绍 人 脸 表 情 识 别 系 统 各 功 能 模 块 ， 研 究 了 图 像 获 取 模 块 和 预 处理 模 块 的 原 理 与 算 法 ， 并 进 行 小 样 本 采 集 实 验 ， 包 括 以 下 四 个 方 面 ： 人 脸
4、检 测 、图 像 灰 度 化 、 图 像 归 一 化 、 光 照 补 偿 。其 次 ， 对 比 研 究 三 种 常 见 的 表 情 特 征 提 取 算 法 ， 包 括 ： 局 部 二 值 模 式 （ LocalBinaryPattern， LBP） 、 局 部 相 位 量 化 （ LocalPhaseQuantization， LPQ） 、 旋 转不 变 局 部 相 位 量 化 （ RotationInvariantLocalPhaseQuantization， RILPQ） ， 在 JAFFE图 像 库 部 分 图 像 特 征 提 取 实 验 ， 提 取 到 特 征 向 量 灰 度 图 及
5、量 化 直 方 图 做 研 究 比对 。 本 论 文 在 RILPQ 算 法 基 础 上 ， 引 入 二 维 高 斯 核 方 向 导 数 ， 提 出 一 种 新 的 特征 提 取 算 法 ， 即 ： 融 合 高 斯 导 数 RILPQ算 法 。再 次 ， 研 究 支 持 向 量 机 （ upportVectorMachine， SVM） 理 论 并 运 用 SVM模式 识 别 与 回 归 的 软 件 包 LIBSVM 完 成 分 类 识 别 与 回 归 。 本 部 分 主 要 研 究 基 于 同向 高 斯 核 方 向 导 数 与 RILPQ 融 合 的 人 脸 表 情 特 征 提 取 算 法
6、程 序 设 计 ， 并 对 三 个参 数 做 大 量 实 验 研 究 ， 包 括 ： 方 向 导 数 滤 波 方 向 、 滤 波 尺 度 、 尺 度 半 径 ， 寻 找 到一 组 最 佳 实 验 参 数 ， 表 情 识 别 率 最 高 为 92.57%。 同 时 ， 为 验 证 该 算 法 实 验 效 果 ，通 过 运 行 时 间 和 表 情 识 别 率 两 项 指 标 与 前 面 的 三 种 特 征 提 取 算 法 进 行 比 较 ， 证 明该 算 法 运 行 时 间 较 长 但 是 能 取 得 较 好 的 表 情 识 别 分 类 效 果 。最 后 ， 本 文 又 提 出 了 一 种 异 向
7、 高 斯 核 方 向 导 数 与 RILPQ 融 合 的 运 动 模 糊 人 脸表 情 特 征 提 取 算 法 。 通 过 JAFFE 图 像 库 水 平 方 向 运 动 模 糊 处 理 后 做 特 征 提 取 进行 表 情 分 类 。 实 验 证 明 ： 在 模 糊 长 度 为 5像 素 ， 尺 度 半 径 为 R=9 条 件 下 ， 运 动模 糊 表 情 识 别 率 为 66.10%， 优 于 RILPQ算 法 识 别 率 1.4个 百 分 点 。关 键 字 ： 人 脸 表 情 识 别 ， 旋 转 不 变 局 部 相 位 量 化 （ RILPQ） ， 各 向 高 斯 核 函 数 及方 向
8、导 数 ， 支 持 向 量 机 （ SVM）IIAbstractFacial expression can be extracted from images or videos by compute.Accordingto the current understanding of human experience and ways of thinking, facialexpressionrecognitioncanbeimplementedtoexpressionclassificationandexpressionextraction, then which can be analyze
9、human emotions from facial information. Theaccuracy and effectiveness of facial expression extraction is the key to whether theexpression is correctly identified. In this paper, we focus on the feature extraction offaceimages.Theresearchworkinthispaperhasthefollowingaspects:Firstly,a functionmodule
10、of facial expressionrecognitionsystem isintroduced indetail.Thispaper studiestheprinciple and algorithm ofimage acquisitionmodule andpreprocessing module, then process some small sample collection experiments,including the following four aspects: face detection, image gray scale, imagenormalization,
11、andimagelightingcompensation.Secondly, three common expression extraction algorithms are studied, including:Local Binary Pattern, Local Phase Quantization, and Rotation Invariant Local PhaseQuantization. We use above three algorithms in the JAFFE image library to do someimage feature extraction expe
12、riments, then compare extracted feature vectors andquantization histogram by experiments. In this paper, based on the RILPQ algorithm,we propose a new feature extraction algorithm by introducing directional derivativefor two-dimensional Gauss kernel, which is called fusion of Gaussian derivativesRIL
13、PQalgorithm.Thirdly, SVM theory is studied and we use SVM pattern recognition softwareLIBSVM to complete expression classification and recognition. In this part, someprogramsandexperimentsaredesignbyabovealgorithm,threeparametersarestudied,including filter direction, filter scale, scale radius. In o
14、rder to find a group of bestexperimental parameters, we do a lot of experiments and achieve the expressionrecognition rate up to 92.57%. At the same time, in order to verify efficiency of thealgorithm we proposed, two indicators are plotted including run time and recognitionrate. The experimental re
15、sults show that the proposed algorithm has the highestcomplexity and recognition rate, though the algorithm has a long run time, yet it canachieveabettereffectoffacialexpressionrecognition.IIIFinally, an algorithm for extracting expression features of motion blur facepictures is proposed based on fu
16、sion of directional derivatives and RILPQ theory.Thefeature extraction is experimented in the JAFFE image library after horizontal motionblur.The experimental results show that: under the condition of fuzzy length 5 pixelsand scale radius 9 pixels, expression recognition rate can reach 66.10%, which isbetterthanRILPQalgorithmrecognitionrateby1.4percentagepoints.Keywords: Facial expression recognition, Rotation Invariant Local PhaseQuantization (RILPQ), Gauss kernel function a
