基于子空間分析的面部表情特征提取算法研究.pdf

1、面部表情能夠提供人們情緒的敏感線索，對其的識別作為人機交互的一個關(guān)鍵功能受到科研人員的廣泛關(guān)注。由于面部表情呈現(xiàn)出的非剛性特點，致使傳統(tǒng)的表情識別方法難以達到令人滿意的效果。子空間分析方法是當(dāng)前模式識別領(lǐng)域的一個研究熱點，它利用統(tǒng)計分析方法將樣本投影到某個最優(yōu)子空間，以實現(xiàn)數(shù)據(jù)降維和特征提取。本文主要針對基于子空間分析的面部表情特征提取算法進行了研究，旨在提取出用于有效表征面部表情的特征進行分類識別，論文的主要貢獻如下:
　　第一

2、，針對基于差準則的特征提取算法無法有效提取鑒別信息的問題，提出廣義多重最大散布差準則(GMMSD)及相應(yīng)的特征提取算法。該算法利用差準則代替熵準則避免了“小樣本”問題，并且利用QR分解能夠提取出更有效的鑒別特征用于面部表情識別，同時也降低了特征提取時的運算復(fù)雜度。與傳統(tǒng)特征提取方法相比，GMMSD具有如下三個特點:(1)避免了“小樣本”問題，無須對樣本進行預(yù)處理步驟;(2)利用QR分解對原始樣本進行特征提取，保留了原始樣本的分布特征;(

3、3)根據(jù)不同的變化矩陣，GMMSD可以演化成不同的特征提取算法，表明了GMMSD的廣義性特點。實驗表明GMMSD能夠有效提取面部表情的鑒別特征，提高面部表情的識別精度。
　　第二，針對訓(xùn)練集可能添加樣本的情況，提出了增量型廣義散布差準則算法(IGMMSD+)。IGMMSD+將增量更新的情況分為兩種:添加新樣本到新類別和添加新樣本到存在的類別，分別給出了以上兩種情況下的增量更新算法，避免了實際應(yīng)用中訓(xùn)練集更新時重新對整個庫進行訓(xùn)練的

4、問題。IGMMSD+算法有以下幾個方面值得強調(diào):(1)IGMMSD+的性能完全等價于GMMSD+，即增量更新過程并沒有近似計算過程，而其它增量算法多是近似形式，無法達到原始算法的識別性能;(2)GMMSD+可將每類訓(xùn)練樣本的均值矩陣分成兩部分:訓(xùn)練集共有成分(ICC)和鑒別差異成分(DDC)。更甚的是，提出的算法能自動丟棄包含有較少鑒別信息的ICC，同時保留包含有真正鑒別信息的DDC。
　　第三，為了有效地揭示面部表情中存在的潛在

5、結(jié)構(gòu)，提出多流形鑒別分析算法(MMDA)。傳統(tǒng)的流形學(xué)習(xí)方法假設(shè)不同表情處于同一個流形上，然而這種假設(shè)至今沒有被科研人員所證明，即并不能肯定各類面部表情僅僅處于一個流形。與多數(shù)算法不同的是，MMDA利用能夠反映表情變化的面部表情顯著區(qū)域作為訓(xùn)練，結(jié)合多流形學(xué)習(xí)方法，提取具體表情下的流形鑒別信息。多流形鑒別分析方法具有以下三個優(yōu)點:(1)MMDA只利用面部表情的顯著區(qū)域作為訓(xùn)練和測試。這種方式避免了非表情顯著區(qū)域?qū)ψR別結(jié)果的干擾，同時也減

6、少了算法的運算復(fù)雜度;(2)對比以往的單流形表情識別方法，基于多流形學(xué)習(xí)的算法不但可以避免訓(xùn)練過程中由于樣本數(shù)量的限制可能造成的過擬合問題，同時也有助于提高表情識別性能。
　　第四，針對多數(shù)方法將圖像轉(zhuǎn)化為一維向量，造成維數(shù)過高，運算復(fù)雜度大以及可能出現(xiàn)的“小樣本”等問題，提出二維多流形鑒別分析(2DMMDA)算法。2DMMDA直接利用圖像的二維數(shù)據(jù)進行特征提取，解決了維數(shù)過高的問題，同時也避免了小樣本問題的發(fā)生。本文在二維鑒別局