论文部分内容阅读
人脸表情识别技术已逐渐成为计算机视觉和模式识别领域中的一个研究热点,受到越来越多的科研人员的重视,取得了重大进展,但仍存在表情识别算法的识别率较低,对噪声鲁棒性不高,实时性较差以及受外界环境干扰较大等亟待解决的关键问题。针对这些问题,本文在人脸表情识别的特征提取阶段做了相关研究,主要研究工作包含以下几个方面:1、采用梯度方向直方图(Histograms of Oriented Gradients,HOG)算子提取人脸表情特征,研究了HOG特征提取算法。考虑到人脸图像的局部特征之间的空间排列信息,构造图像金字塔模型,设计出一种基于HOG金字塔特征的人脸表情识别算法。实验结果表明,HOG金字塔特征可以更好地表征表情图像的形状信息和局部特征之间的空间排列信息,与整幅图像的HOG特征相比,特征维度降低近2/3,在算法运行效率和识别率方面都有较为明显的提升。2、根据人眼视觉特性,提出了一种基于人眼视觉亮度差的各向异性扩散滤波算法。利用人眼在不同亮度背景下对亮度差的敏感性不同,结合梯度值修正扩散系数,区分处理面部斑点噪声和肌肉皱褶形变所对应的弱边缘、弱细节,尽可能保留原始图像中的表情信息。提出一种结合改进各向异性扩散滤波及HOG算子的人脸表情识别算法。实验结果表明,提出算法在有效滤除噪声的同时,能够较好地保护图像的弱细节信息,且利用HOG算子准确提取表情特征,是一种有效的表情识别算法。在高斯噪声和椒盐噪声环境下,能够保持较高的识别率,对噪声具有一定的鲁棒性。3、在人眼视觉注意机制启发下,研究主动形状模型算法,标记人脸关键点,进行局部HOG特征提取。并根据多尺度分析原理将不同尺度下局部HOG特征进行融合,使特征信息更加丰富。实验结果表明,基于视觉注意机制与多尺度HOG算子的人脸表情识别算法所提取的表情特征为人眼、鼻梁、嘴角等关键点处的多尺度局部信息,特征维度较低,排除了冗余信息的干扰,能够更准确地表现人脸表情的变化。