基于HMAX模型的人脸表情识别研究

作     者：江达秀 

作者单位：浙江理工大学 

学位级别：硕士

导师姓名：许建龙

授予年度：2010年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：人脸检测 模板匹配 HMAX模型 表情识别 AdaBoost BP神经网络 

摘      要：人脸表情识别是一个涉及到模式识别、图像处理、人工智能等多学科的综合课题。所谓人脸表情识别是让计算机对人脸的表情信息进行特征提取分析,结合人类所具有的表情信息方面的先验知识使它进行自我思考、推理以及判断,进而去理解人脸表情蕴含的信息,实现人机之间智能化的交互。它在许多领域都有着潜在的应用价值,包括机器人技术、图像理解、视频检索、合成脸部动画、心理学研究、虚拟现实技术等。 对人脸表情识别的研究主要包括三个部分：人脸检测、表情特征提取以及表情分类。目前在这三个方面计算机视觉研究者们进行了很多研究,但这三个方面仍有问题未得到很好的解决,包括人脸误检、表情识别的鲁棒等。 本文分析了目前国内外有关人脸表情识别的理论和技术,着重对人脸检测、表情特征提取以及表情分类这三个环节进行了深入研究,其主要研究内容和成果如下： 1.人脸检测方面 本文研究了Viola提出的基于Harr-like特征、积分图、AdaBoost.M算法、级联模式的人脸检测方法和人脸模板匹配技术,分析了Viola人脸检测方法产生人脸误检的原因,提出了把Viola人脸检测方法和人脸模板匹配技术相结合来减少人脸误检率。 本文首先采用Viola人脸检测方法搜寻可疑人脸区域,在此基础上,结合人脸模板匹配技术,对找到的可疑人脸区域进行验证以排除非人脸区域,获得真正的人脸区域。 2.特征提取方面 本文研究了表情特征的分布和HMAX模型,并根据表情特征的分布特性对HMAX模型的特征块模板抽取方法做了改进,最后使用改进的HMAX模型进行表情特征的提取。所提取的表情HMAX特征与其他通过图像处理得到的特征相比,具有更好的不变性和区分性。 3.表情分类方面 本文设计了基于AdaBoost.M2学习算法和BP神经网络的表情识别分类器。用BP神经网络作为弱分类器,利用AdaBoost.M2学习算法构造一个强分类器作为表情识别的分类器。 4.在上述理论研究的基础之上,对人脸检测、表情特征提取以及表情分类进行了相关实验,证明了本文提出的方案的正确性。