基于特征分類(lèi)器優(yōu)化匹配和DBN決策的人臉表情識(shí)別.pdf

1、作為人類(lèi)情感最直觀的表達(dá)方式，人臉表情及其相關(guān)的研究工作已經(jīng)在醫(yī)療、商業(yè)以及家庭生活等領(lǐng)域產(chǎn)生了深遠(yuǎn)的影響。本文對(duì)人臉表情系統(tǒng)中的特征提取和分類(lèi)識(shí)別進(jìn)行了分析研究，對(duì)傳統(tǒng)主成分分析(Principal Component Analysis，PCA)算法進(jìn)行了改進(jìn)，提出了特征空間維數(shù)更低的特征提取方式;并根據(jù)特征表征人臉的互補(bǔ)性和分類(lèi)效果的差異性，提出了多特征-分類(lèi)器優(yōu)化匹配的識(shí)別方法：最后基于建立的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bay

2、esian Network，DBN)對(duì)粗分類(lèi)結(jié)果有分歧的表情圖像進(jìn)一步?jīng)Q策。本文的主要工作如下：
　　(1)針對(duì)PCA降維過(guò)程中，由于特征值相對(duì)集中而造成維數(shù)仍然偏高的不足，本文提出了基于最優(yōu)樣本的主成分分析(Optimal Sample-PCA， OS-PCA)降維方法。OS-PCA通過(guò)選擇訓(xùn)練樣本、優(yōu)化協(xié)方差矩陣，從而達(dá)到進(jìn)一步降維的目的。鑒于離散余弦變換(Discrete Cosine Transform，DCT)對(duì)光照的魯

3、棒性，以及局部二值模式（Local Binary Patterns，LBP）對(duì)局部紋理特征的有效描述，本文結(jié)合DCT和LBP特征來(lái)彌補(bǔ)單一OS-PCA特征在人臉表情表征方面的局限性。為了更好地發(fā)揮特征與分類(lèi)器的協(xié)作優(yōu)勢(shì)，本文構(gòu)造了一個(gè)三層多分類(lèi)器最優(yōu)匹配（Optimal Matching，OM）的人臉表情識(shí)別模型。首先將OS-PCA、DCT和LBP特征輸入模型;然后完成多特征與多分類(lèi)器的最優(yōu)匹配;最后執(zhí)行粗分類(lèi)結(jié)果投票表決，并對(duì)仍有分歧

4、的表情圖像進(jìn)行自適應(yīng)決策，從而得到最終識(shí)別結(jié)果。
　　(2)針對(duì)融合決策時(shí)間復(fù)雜度過(guò)高的問(wèn)題，本文提出多特征多分類(lèi)器匹配及動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)決策的人臉表情識(shí)別模型。首先基于訓(xùn)練庫(kù)，模型完成了多個(gè)特征與多個(gè)分類(lèi)器的優(yōu)化匹配及每個(gè)特征-分類(lèi)器組合混淆矩陣的初始化。然后，將測(cè)試樣本的OS-PCA、DCT和LBP特征送入模型，得到三個(gè)粗分類(lèi)結(jié)果。最后，利用得到的經(jīng)驗(yàn)信息和建立的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，對(duì)仍有分歧的表情圖像進(jìn)行融合決策，并且更新混淆矩陣