论文部分内容阅读
人脸表情在人们日常生活中起着重要的作用，是人们非语言交流的一种重要方式。人脸表情是是情感的主要载体，传达了人机交往中的大部分信息。表情是智能的体现，长期以来表情一直是人工智能领域的重要研究课题。近年来随着计算机信息处理能力的增强和表现形式的多样化，人们对各种人机交互界面的人性化要求越来越高，表情分析逐渐成为一个研究热点。
本文以人脸表情为主要研究对象，针对视觉交互的高实时性和强鲁棒性要求，对视频序列中的人脸特征点自动定位和跟踪、人脸表情特征向量的提取、人脸表情识别、三维人脸建模以及人脸表情动画生成等关键环节展开探讨，具体来说论文的主要工作成果体现在以下四个方面：
第一，提出了基于LK-ASM的人脸特征点跟踪方法。该方法将Lucas-Kanade特征点跟踪算法和主动形状模型(Active Shape Model)特征点定位算法结合起来，既充分利用了帧间的相关信息，提高了人脸跟踪的速度，又可获得更为精确的定位效果，增强了人脸跟踪的鲁棒性。
第二，改进了基于Gabor特征的人脸表情识别方法。该方法采用方差率和AdaBoost特征选择来寻找最优判别能力的Gabor特征.，提出了一个基于监督学习的两层特征选择方法，不仅有效降低了Gabor特征的分类计算维度，而且提高了人脸表情识别的精度。
第三，提出了一种视频驱动的人脸表情动画生成方法。该方法在利用形状和运动恢复技术实现视频中人脸形变模型自动建模基础上，采用基于非线性优化的三维形变模型匹配和三维网格纹理映射来实现真实感人脸的实时生成，不仅能从视频中实时恢复三维人脸的形状和姿态变化，而且能有效捕捉三维人脸表情的细节变化。
第四，设计并实现了一个表情分析原型系统。该系统不仅对姿态和光照等变化具有很强的鲁棒性，而且处理速度达到实时，能满足视觉交互的要求。该系统的多组实验表明本文所提出表情识别和生成方案的有效性。