文档介绍：人脸表情(biǎoqíng)识别
第一页，共18页。
目录(mùlù)
(biǎoqíng)
(biǎoqíng)特征提取方法
目录结构
第1页/共17页
第二页，共18页。
表情是人类用来表达情绪的一种基本方式，是非语言交流中的一种有效手段。人们可通过表情准确(zhǔnquè)而微妙地表达自己的思想感情，也可通过表情辨认对方的态度和内心世界。关于表情传递信息的作用，心理学家Mehrabian[1]给出了一个公式：
感情表露(biǎolù)=7％的言词+38％的声音+55％的面部表情
Ekman和Frisen[3]提出面部表情编码系统(FACS)，用44个运动单元(dānyuán)(Au)来描述人脸表情变化，并定义了6种基本情感类别：惊奇、恐惧、厌恶、愤怒、高兴、悲伤。
第2页/共17页
第三页，共18页。
一个人脸表情识别系统一般包括3个环节，即人脸检测、特征提取、表情分类.
，这一环节的研究实际上已成为一个独立的方向，
，在提取特征数据的过程(guòchéng)中，为了避免维数危机，可能还需要特征降维、特征分解等进一步处理；
，将输入的人脸表情分类到相应的类别，如AU组合或基本情感类别。
(biǎoqíng)
第3页/共17页
第四页，共18页。
(biǎoqíng)系统
第4页/共17页
第五页，共18页。
表情特征(tèzhēng)提取是FER系统中最重要的部分，有效的表情特征(tèzhēng)提取工作将使识别的性能大大提高。通过对大量文献的总结，可知好的表情特征(tèzhēng)提取结果应该具备以下几个条件：
(1)完整的表示出人脸表情的本质特征(tèzhēng)；
(2)去除噪声、光照及其他与表情无关的干扰信息；
(3)数据表示形式紧凑，避免过高的维数；
(4)不同类别表情的特征(tèzhēng)之间有较好的区分性。
人脸表情(biǎoqíng)特征提取
第5页/共17页
第六页，共18页。
主成分(chéng fèn)分析法(PCA)
局部(júbù)二值模式(LBP)
Gabor小波变换(biànhuàn)
特征提取算法
人脸表情特征提取
第6页/共17页
第七页，共18页。
主成分(chéng fèn)分析法(PCA)
PCA的主要思想是通过(tōngguò)协方差矩阵分析各个属性之间的相关性，选取出该图像的主成分来排除这些冗余信息，并形成一个变换矩阵；再通过(tōngguò)该矩阵实现Karhunen-Loeve变换(正交变换)，将原有的高维图片所形成的向量进行降维
由于PCA需要很大的存储空间以及计算(jì suàn)复杂度，因此很多研究者都提出了相应的改进算法。Thai等在文献[231中比较了2DPCA和PCA，由于PCA需要将图片矩阵转换成向量后进行转换且其维数特别高，而2DPCA直接对图像矩阵进行转换。最后运用大量实验验证了2DPCA在表现力及速度方面都远远高于PCA。
第7页/共17页
第八页，共18页。
局部(júbù)二值模式(LBP)
LBP通过计算图像中所包含的每个像素与其局部邻域(lín yù)的点在亮度上的序关系，然后对二值序关系进行编码形成局部二值模式，最后采用多区域直方图作为图像的特征描述 。
→
第8页/共17页
第九页，共18页。
Gabor小波变换(biànhuàn)
Dogmas 提出了2-D Gabor滤波器,该滤波器具有一组不同参数,可以捕捉到显著的空间局部调制特性和方向选择特性。二维Gabor滤波函数在空间域和频率(pínlǜ)域中具有良好的分辨能力,具备提取图像局部信息变化的能力,同时,Gabor小波变换对光照和图像的变形有较好的鲁棒性,因此在图像处理中有广泛的应用。
第9页/共17页
第十页，共18页。