自發(fā)和人為表情分析識(shí)別研究.pdf

1、近年來(lái)，面部表情識(shí)別在人機(jī)交互、安全、醫(yī)療保健等領(lǐng)域應(yīng)用廣泛。目前主要通過(guò)提取幾何特征和面部紋理特征并利用分類器進(jìn)行表情識(shí)別。而幾何特征的提取關(guān)鍵在于面部特征點(diǎn)標(biāo)注的準(zhǔn)確性。目前的自動(dòng)特征點(diǎn)定位算法的精度仍有待提高。此外，自發(fā)和人為表情區(qū)分和識(shí)別研究大都局限于某類表情，如高興或者痛苦。沒(méi)有考慮性別和表情類別對(duì)自發(fā)和人為表情區(qū)分識(shí)別的影響。針對(duì)此，本文提出主動(dòng)特征點(diǎn)標(biāo)注算法;全面分析不同表情類別和性別下自發(fā)和人為表情的區(qū)別;并將表情類別和

2、性別信息作為特權(quán)信息，提出基于特權(quán)信息的自發(fā)人為表情識(shí)別方法。具體內(nèi)容如下:
　　(1)提出了交互式的主動(dòng)特征點(diǎn)標(biāo)注方法。首先，通過(guò)貝葉斯網(wǎng)絡(luò)建立特征點(diǎn)之間的空間模型;其次，計(jì)算各個(gè)特征點(diǎn)與其他特征點(diǎn)之間的互信息，具體分為兩步:第一，為了確定最具有信息的面部區(qū)域，計(jì)算其中某一個(gè)面部子區(qū)域與余下的面部子區(qū)域之間的互信息，第二:計(jì)算最具有信息的面部區(qū)域的某一個(gè)特征點(diǎn)與其他特征點(diǎn)的互信息大小，以此確定特征點(diǎn)矯正的順序;然后，按照互信息的

3、大小降序排列特征點(diǎn)，用戶根據(jù)這個(gè)順序依次糾正特征點(diǎn);最后，通過(guò)貝葉斯網(wǎng)絡(luò)將用戶矯正的特征點(diǎn)與原始的特征點(diǎn)值聯(lián)系在一起獲得矯正后所有特征點(diǎn)的值。在CK+數(shù)據(jù)庫(kù)上的模擬實(shí)驗(yàn)證明了本文提出的方法的有效性。
　　(2)較全面地分析了可見圖像的自發(fā)和人為表情的差異性。首先，根據(jù)中性幀和夸張幀之間的差值圖像，提取幾何特征和紋理特征;其次，從三個(gè)方面通過(guò)假設(shè)檢驗(yàn)的方法分析自發(fā)和人為表情的差異性，這三個(gè)方面分別是:整體樣本、不同性別的樣本以及不同

4、表情的樣本;最后，采用貝葉斯分類器從同樣的三個(gè)方面來(lái)區(qū)分自發(fā)和人為表情。在USTC-NVIE數(shù)據(jù)庫(kù)上的統(tǒng)計(jì)分析結(jié)果顯示幾何和紋理特征對(duì)自發(fā)和人為表情區(qū)分的重要性。除此之外，自發(fā)和人為表情識(shí)別在性別上確實(shí)存在著差異;而且相對(duì)于其他五種基本表情，高興的自發(fā)和人為表情區(qū)分更加容易。實(shí)驗(yàn)的識(shí)別結(jié)果在大多數(shù)情況下證實(shí)了統(tǒng)計(jì)分析的結(jié)果。
　　(3)提出采用貝葉斯網(wǎng)絡(luò)分別學(xué)習(xí)自發(fā)和人為表情變化的空間模型，并應(yīng)用于自發(fā)和人為表情識(shí)別。首先，提取關(guān)

5、于面部形狀和行動(dòng)單元變化的幾何特征，用來(lái)捕獲面部空間變化;然后，同(2)，從三個(gè)方面采用定義的幾何特征對(duì)自發(fā)和人為表情進(jìn)行顯著性差異分析;最后，以表情類別和性別作為特權(quán)信息，采用貝葉斯網(wǎng)絡(luò)，分別建立自發(fā)和人為表情空間模型。在USTC-NVIE和SPOS數(shù)據(jù)庫(kù)上的統(tǒng)計(jì)分析結(jié)果證實(shí)了提出的幾何特征的有效性。在USTC-NVIE數(shù)據(jù)庫(kù)上的識(shí)別結(jié)果表明性別和六種基本表情作為特權(quán)信息能夠幫助建立自發(fā)和人為表情的空間模態(tài)。在這兩個(gè)庫(kù)上的識(shí)別結(jié)果都優(yōu)