摘要：提出融合局部特征和整體特片的方法實(shí)現(xiàn)人臉面部表現(xiàn)特征的提取。在每一個(gè)人臉圖像上測(cè)量10個(gè)距離，把這些距離標(biāo)準(zhǔn)化后局部表情特征，用Fisher線性判別提取面部表情的整體特征；為了解決小樣本問題，采取“PCA+FLD”的策略，先通過PCA把人臉圖像向量投影到一個(gè)較低維的空間，再通過標(biāo)準(zhǔn)的FLD提取表情特征。融合后的特征輸入到基于反向傳播的前向型神經(jīng)網(wǎng)絡(luò)進(jìn)行分析。在耶魯大學(xué)yaleface數(shù)據(jù)庫和日本ARF建立的日本女性表情數(shù)據(jù)庫（JAFFE）上實(shí)驗(yàn)，得到令人滿意的結(jié)果。

關(guān)鍵詞：局部特征 整體特征 表情識(shí)別FLD PCA 神經(jīng)網(wǎng)絡(luò)

隨著人機(jī)交互研究的深入和巨大的應(yīng)用前景，人臉面部表情識(shí)別已經(jīng)成為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。在過去幾十年內(nèi)，研究者已經(jīng)提出了很多用于面部表情識(shí)別的方法。目前的人臉面臉表情識(shí)別方法可以分為兩種：基于局部特片和基于整體特征的�；诰植刻卣鞯娜四樏娌勘砬樽R(shí)別是利用每個(gè)人的面部特征（眉毛、眼睛、鼻子、嘴巴和面部輪廓等）的位置、大小及其相互位置的不同進(jìn)行特征提取，達(dá)到人臉面部表情識(shí)別的目的。基于人臉整體特征的識(shí)別是從整個(gè)人臉圖像出發(fā)，提以反映了整體的特征實(shí)現(xiàn)人臉面部表情識(shí)別�；诰植刻卣鞯姆椒ê艽蟪潭壬蠝p少了輸入的數(shù)據(jù)，但是有用限的特征點(diǎn)來代表人臉圖像，一些重要的表情識(shí)別和分類信息就會(huì)丟失。為了彌補(bǔ)局部特征的這些不足，本文用Fisher線性判別提取面部表情的整體特片，然后通過局部特征和整體特征的融合來提高識(shí)別率。Fisher準(zhǔn)則函數(shù)就是為了發(fā)現(xiàn)這樣的投影方向，使得樣本類間離散度和樣本類內(nèi)離散度的比值最大。換言之，就是在這樣的投影方向，同一個(gè)類的樣本聚集在一起，而不同類的樣本相對(duì)比較分散。

1 面部表現(xiàn)特征的提取

1．1 局部特征的提取

人臉由眼睛、鼻子、下巴等部件構(gòu)成，正因?yàn)檫@些器官的形狀、大小和相對(duì)位置的各種變化才使得人臉表情千差萬別。因此對(duì)這些器官的形狀和結(jié)構(gòu)關(guān)系變化的幾休描述，可以作為人臉表情識(shí)別的重要特征。最早，研究人員利用人臉特征顯著點(diǎn)導(dǎo)出一組用于識(shí)別的特征表示人臉及其表情識(shí)別。本文在人臉圖像上標(biāo)記24個(gè)面部特征點(diǎn)，如圖1所示。

由這24個(gè)面部特征點(diǎn)形成12個(gè)測(cè)量距離，距離與面部特征點(diǎn)之間長度的對(duì)慶關(guān)系如表1。表1中tji表示面部特征點(diǎn)i和j之間的直線長度,di表示第i個(gè)測(cè)量距離。

表1 距離與面部特征點(diǎn)之間長度的對(duì)應(yīng)關(guān)系

由這些測(cè)量距離歸一化，即按照下式形成表征面部表情的特征：

1．2 整體特征的提取

Fisher線性判別（FLD），也稱為線性判別分析（LDA），是基于樣本的類別進(jìn)行整體特征提取的有效方法，在模式識(shí)別中有著廣泛的應(yīng)用。設(shè)訓(xùn)練樣本集共有N個(gè)訓(xùn)練樣本{x1,…，xN}，發(fā)為c類{x1,…,xc}，每一類的均值為：第I類樣本的離散度矩陣為：

總類內(nèi)離散度矩陣：類間離散度矩陣SB=；總離散度矩陣：ST=Sw

上一篇：艦載軍用加固計(jì)算機(jī)的熱設(shè)計(jì)

上一篇：基于PCICore的鏈?zhǔn)紻MA控制器設(shè)計(jì)