论文部分内容阅读
随着社会的进步和计算机科学的发展,人机交互就成了很重要的课题,而人脸表情是人类在进行交流时所采用的最有效和最直接的一种途径,所以,在人机交互应用中,表情就成了很重要的一种信息资源。因此,通过图像的人脸表情识别越来越受到研究者的关注。然而,由于姿态、光照、有效的特征抽取方法、海量数据和维度灾难等问题的存在,特别是由于人脸是一个柔性体和人脸表情的强度大小不一定,导致人脸表情识别很难达到一个较高的水平。针对人脸表情识别研究中的几个问题和表情识别的潜在应用,本人在攻读硕士学位期间所做的主要工作如下：1)提出了情感几何特征EGF (Emotion Geometry Feature),并就人脸表情识别的潜在应用——医院病人的表情分析,利用支持向量机SVM(Support Vector Machine),实现了高兴、悲伤和中性三种表情的识别,识别率可以达到92.22%。由于部分医院病人身体不便或者出于医护人员对于病人的心理护理,可以根据病人出现的表情种类(高兴、悲伤和中性),利用提出的EGF(情感几何特征)识别病人的高兴、悲伤和中性三种表情,为医院护理人员提供某种信息,从而帮助病人得到有效的护理。2)为了提高表情的识别率和更好的区别病人的表情,这一部分工作在1)的基础上,提出了扩展的6个情感几何特征,并进一步考虑把7种表情分成三类,利用SVM对三类表情进行了识别,识别率可以达到93.8%。因为人类有六种基本表情和一种中性表情,把六种表情分成了积极表情(Positive)、中性表情(Neutral)和消极表情(Negative),其中,定义高兴属于积极表情,中性表情就一个,其他的悲伤、惊奇、生气、厌恶和恐惧属于消极表情。在医院病人的潜在应用中,积极性表情表示病人正常,消极性表情表示病人需要护理。3)提出了一种新的由抽象到具体AtoC (Abstract to Concrete)模型,并把它用于区别人类的六种基本表情,和传统的表情识别方法相比,实验可以得到93%的识别率。在认识论哲学中,存在着一种“从抽象到具体”的认识事物的过程。本文把这种思想引入计算机模式识别中,提出AtoC模型。首先通过后验概率来体现“抽象”的思想,然后进一步把测试数据送到小的分类器中,这体现了“具体”的思想。在实验中,由于SVM的有效的分类结果,就把SVM应用于AtoC模型中,利用多类的SVM和标准的两类SVM最终得到较高的六种表情识别的结果,与HOSVD等方法相比,识别率有所提高。