远程网络监控人脸表情识别方法研究与系统实现

发布时间：2017-09-01 09:37

  本文关键词：远程网络监控人脸表情识别方法研究与系统实现

  更多相关文章： 人脸表情识别 远程监控 主成分分析 K近邻算法 Adaboost算法

【摘要】：人脸表情是人类表达情感的重要方式,通过识别人脸的表情类别,可以对其进行心理分析,从而获取有价值的情感信息。开展面向远程网络监控人脸表情识别技术的研究,可以利用互联网络及时快捷地获得更广泛区域的人脸表情及动态变化信息,对于预防恐怖袭击、反对极端民族主义、智能交通管理、多媒体信息交互等方面都具有重要的理论意义与应用价值。本文通过IP网络摄像头从远程端采集人脸表情图像,以人脸表情识别算法作为理论依据,深入研究了快速优化识别算法。同时,利用物联网架构技术进行数据传输,搭建基于MVC设计模式的远程监控人脸表情识别系统,集成各个功能模块,对远程监控场景下的人脸表情进行识别。完成的主要工作和取得的成果如下:(1)基于物联网架构对IP协议、TCP协议、HTTP协议的基本原理和特性展开深入的研究,形成视频数据的传输技术。选择较为合理的IPv4/IPv6过渡机制,实现IPv4/IPv6通信功能模块,理解TCP/IP参考模型,分析HTTP报文结构及请求方法,保证数据传输的有效性和一致性。(2)提出一种基于2D-LPCA的表情特征提取算法,增强系统的时效性。该算法针对识别表情过程中存在的由于个体不同而出现的表情差异及相似表情容易混淆的情况而对PCA算法进行改进,提出局部PCA算法,即LPCA算法。该算法提高了提取表情特征的有效性,但增加了算法复杂度,因此本文结合2D-PCA算法提出2D-LPCA算法,提升了算法的时效性。实验结果表明,2D-LPCA算法具有原理简单、有效性高、速度快的特点。(3)设计并实现了基于Adaboost-Knn算法的表情分类器,进一步提高了人脸表情的识别率与鲁棒性。该分类器根据最近邻定义法则及相似度衡量标准,引入Boosting分类提升算法,从而对性能提升。实验结果表明,通过优化参数,该分类器具有很好的鲁棒性及较高的识别率。(4)设计并实现了基于B/S体系结构的远程监控人脸表情识别系统。该系统基于B/S体系,实现通过浏览器进行系统的访问;利用MVC设计模式实现数据持久层、业务层、表现层的分层隔离,降低系统的耦合性;基于SSH2框架开发系统,借助JNI/JNA技术跨语言对OpenCV视觉库中算法调用,运用JavaApplet技术将表情识别算法嵌入到系统中,设计并实现视频监控、表情仓库、数据特征、系统管理4个核心模块。
【关键词】：人脸表情识别 远程监控 主成分分析 K近邻算法 Adaboost算法
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第1章 绪论10-24
• 1.1 课题背景及研究意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 物联网研究现状11-12
• 1.2.2 人脸表情研究现状12-13
• 1.3 课题相关技术及方法13-22
• 1.3.1 物联网结构13-14
• 1.3.2 物联网技术14-15
• 1.3.3 表情识别方法15-22
• 1.4 本文的研究内容与结构安排22-24
• 1.4.1 本文的研究内容22
• 1.4.2 本文的结构安排22-24
• 第2章 基于物联网架构的数据传输技术24-34
• 2.1 引言24
• 2.2 IP协议技术24-28
• 2.2.1 IPV4与IPV6对比分析24-25
• 2.2.2 IPV4/IPV6过渡机制25-26
• 2.2.3 IPV4/IPV6网络通信功能实现26-28
• 2.3 TCP协议技术28-30
• 2.3.1 TCP/IP参考模型28
• 2.3.2 TCP状态机28-29
• 2.3.3 TCP拥塞分析29-30
• 2.4 HTTP协议技术30-32
• 2.4.1 HTTP报文结构30
• 2.4.2 HTTP请求方法30-32
• 2.5 JPEG及M-JPEG编码技术32-33
• 2.6 本章小结33-34
• 第3章 针对表情识别的主成分分析特征提取算法34-44
• 3.1 引言34
• 3.2 PCA特征的提取34-37
• 3.3 LPCA特征的提取37-38
• 3.4 2D-PCA特征的提取38-40
• 3.5 2D-LPCA的特征提取40-41
• 3.6 实验41-43
• 3.6.1 实验数据准备41-42
• 3.6.2 实验结果及分析42-43
• 3.7 本章小结43-44
• 第4章 基于K近邻分类器的表情分类算法研究44-56
• 4.1 引言44
• 4.2 最近邻表情分类方法44-48
• 4.3 BOOSTING分类提升算法48-52
• 4.4 ADABOOST-KNN分类器设计52-54
• 4.5 实验54-55
• 4.5.1 实验数据准备54
• 4.5.2 实验结果及分析54-55
• 4.6 本章小结55-56
• 第5章 远程监控人脸表情识别系统的设计与实现56-70
• 5.1 引言56
• 5.2 系统架构56-60
• 5.2.1 B/S体系结构56-57
• 5.2.2 MVC设计模式57-59
• 5.2.3 SSH2框架技术59-60
• 5.3 关键技术60-65
• 5.3.1 JSP/SERVLET及相关技术60-62
• 5.3.2 JNI/JNA跨语言技术62-64
• 5.3.3 JAVAAPPLET技术64-65
• 5.4 系统展示65-68
• 5.4.1 视频监控模块66
• 5.4.2 表情仓库模块66-67
• 5.4.3 数据特征模块67-68
• 5.4.4 系统管理模块68
• 5.5 系统性能分析68
• 5.6 本章小结68-70
• 结论70-72
• 参考文献72-76
• 攻读硕士学位期间所发表的学术论文76-78
• 攻读硕士学位期间参加的科研活动和获得的奖励78-80
• 致谢80

，

本文编号：771324