基于动态序列的微表情识别

发布时间：2017-04-24 12:05

  本文关键词：基于动态序列的微表情识别，由笔耕文化传播整理发布。

【摘要】：类似于传统的宏观表情,微表情包含几类基本情感,准确识别微表情能够有效把握情绪变化,为心理研究、行为预判等提供依据。区别于宏观表情,微表情诱发机制复杂微妙,从起始到结束是一个短促弱化的过程,以往的基于静态图像的分析方法已不适用。本文针对序列图像开展研究,目标是判断情感类别并提高整体识别精度,研究内容集中于特征提取和分类两个方面,重点在特征提取算法的实现和改进上。特征提取中,我们从纹理分析和亮度跟踪两个角度挖掘图像间相关性。利用纹理普遍存在于图像中的共性规律,采用时空局部纹理描述算子(LBP-TOP)提取微表情动态特征。考虑到图像中不同方向信息对纹理的刻画程度不同,通过高斯微分预处理,再对各方向使用LBP-TOP,实现多尺度纹理分析。其次,基于光照不变和局部平滑两个约束条件,文中首次应用全局光流技术跟踪灰度图像像素亮度变化。采用高斯图像金字塔和迭代重加权最小二乘法在相邻两帧间优化目标函数,估算最优光流,细致反映像素运动情形,解决了微表情持续时间短的难题。由于相邻两帧差别很小,获得的光流过于微弱,通过依次传递每两帧的运动信息得到相隔多帧的光流,形成全局稠密光流场,体现人脸关键区域细微改变,排除了强度低的困扰。在此基础上对光流图像进行区域划分,在局部内统计特征。更进一步,为抵消背景噪声、面部肤质引起的计算误差,提出一种新颖的特征结合方法,将LBP-TOP提取的时空局部纹理特征和光流特征相结合,补充描述遗失的细节信息,以改善分类效果。在分类器设计环节,本着时间成本可控,高效易用的原则,文中选用两种成熟的机器学习算法(支持向量机、随机森林)分别生成分类模型。支持向量机在每两类间构造分类器,采取交叉验证和网格搜索的策略遴选出的最优参数确定分类超平面,完成多类样本的区分;而随机森林通过Bagging和特征子空间两种随机化思想组合若干棵决策树模型,投票预测结果,降低了泛化误差。实验结果表明,全局光流技术能够应用于微表情识别研究中,在CASMEII数据库下,算法改进后,特征的整体识别精度和类间区分准确度均有显著提升,并且,多尺度纹理分析的方法对识别效果有较大改善,此外,LBP-TOP和光流两种特征具有很好的互补性,各项数据验证了文中方法合理有效,具备可行性。
【关键词】：微表情 LBP-TOP 光流 支持向量机 随机森林
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-11
• 第1章 绪论11-19
• 1.1 课题背景及研究意义11-12
• 1.2 国内外研究现状12-15
• 1.2.1 相关进展13-14
• 1.2.2 存在问题14-15
• 1.3 主要内容与结构安排15-19
• 1.3.1 研究目标15
• 1.3.2 数据来源15-16
• 1.3.3 主要内容16-17
• 1.3.4 章节安排17-19
• 第2章 基于多尺度LBP-TOP的特征提取19-35
• 2.1 引言19
• 2.2 多尺度分析19-22
• 2.2.1 平滑滤波19-20
• 2.2.2 高斯微分20-22
• 2.3 局部二值模式22-27
• 2.3.1 原始LBP22-23
• 2.3.2 改进LBP23-24
• 2.3.3 降维24-26
• 2.3.4 静态特征统计26-27
• 2.4 时空局部二值模式27-32
• 2.4.1 LBP-TOP28-30
• 2.4.2 动态特征统计30-32
• 2.5 多尺度LBP-TOP32-34
• 2.6 本章小结34-35
• 第3章 基于全局光流的特征提取与结合35-50
• 3.1 引言35
• 3.2 相关理论35-37
• 3.2.1 运动场及光流场35-36
• 3.2.2 经典计算方法36-37
• 3.3 问题描述37-39
• 3.3.1 约束条件37-39
• 3.3.2 模型构建39
• 3.4 算法实现39-48
• 3.4.1 目标优化39-42
• 3.4.2 多分辨率策略42-44
• 3.4.3 特征统计44-48
• 3.5 光流与LBP-TOP特征结合48-49
• 3.6 本章小结49-50
• 第4章 分类器设计50-62
• 4.1 引言50
• 4.2 支持向量机50-56
• 4.2.1 分类原理50-52
• 4.2.2 样本空间52-55
• 4.2.3 模型参数优化55-56
• 4.3 随机森林56-61
• 4.3.1 集成学习57
• 4.3.2 决策树57-59
• 4.3.3 组合分类模型59-61
• 4.4 本章小结61-62
• 第5章 实验分析62-74
• 5.1 软件工具62
• 5.2 评价准则62-64
• 5.3 对比验证64-73
• 5.3.1 识别LBP-TOP特征64-67
• 5.3.2 识别GDLBP-TOP特征67-68
• 5.3.3 识别OF特征68-70
• 5.3.4 识别LBP-TOP+OF特征70-73
• 5.4 本章小结73-74
• 第6章 全文总结74-76
• 6.1 主要完成工作74
• 6.2 进一步展望74-76
• 参考文献76-82
• 作者简介及科研成果82-83
• 致谢83

【参考文献】

中国期刊全文数据库 前10条

1 陈小燕;;机器学习算法在数据挖掘中的应用[J];现代电子技术;2015年20期

2 张轩阁;田彦涛;郭艳君;王美茜;;基于光流与LBP-TOP特征结合的微表情识别[J];吉林大学学报(信息科学版);2015年05期

3 张佳威;支瑞峰;;光流算法比较分析研究[J];现代电子技术;2013年13期

4 梁静;颜文靖;吴奇;申寻兵;王u&菁;傅小兰;;微表情研究的进展与展望[J];中国科学基金;2013年02期

5 穆国旺;王阳;郭蔚;;基于生物启发特征和SVM的人脸表情识别[J];计算机工程与应用;2014年17期

6 杨叶梅;;基于改进光流法的运动目标检测[J];计算机与数字工程;2011年09期

7 屠大维;江济良;;改进的光流运动图像分析方法及其应用[J];光学精密工程;2011年05期

8 刘丽;匡纲要;;图像纹理特征提取方法综述[J];中国图象图形学报;2009年04期

9 ;Discontinuity-preserving optical flow algorithm[J];Journal of Systems Engineering and Electronics;2007年02期

10 白羽;马海斌;;质心识别及模糊判决方法在室内监控系统的应用[J];计量与测试技术;2007年02期

中国硕士学位论文全文数据库 前1条

1 刘晓庆;微表情识别能力促进的初步研究[D];沈阳师范大学;2012年

  本文关键词：基于动态序列的微表情识别，，由笔耕文化传播整理发布。

本文编号：324158