恶劣光照条件下人脸检测及表情识别研究
发布时间：2022-10-09 14:42
人脸表情是与生俱来反映人情绪变化的生物特征。基于人脸活动单元编码系统分类获得的七种基本表情在不同个体之间具备相同的情绪含义,这一分类方法使表情的分类具备了科学标准与量化分析的可能性。随着计算机视觉技术的发展,表情的分类可以通过机器识别和神经网络技术实现自动化操作,让计算机模仿人眼实现对人脸表情的正确辨别。在表情识别研究上逐渐形成了从人脸检测、特征处理到表情分类三个基本流程。其中,人脸检测旨在解决人脸定位问题,为特征处理确定具体区域。特征处理主要包括特征提取、降维和分类,其中特征的提取可以根据分类器设计的需要使用不同的核函数提取出相适用的特征种类。表情分类是实现表情正确识别的关键步骤。研究过程中存在着诸多影响正确率的问题,比如光照、姿态、尺度等。本文对图像的预处理、特征提取及表情分类进行了研究,主要研究工作如下:1、恶劣光照条件下人脸检测问题。在日常环境中进行拍照或录像往往无法避免光照因素的影响。特别是在夜间、灯光及遮挡环境下非常容易导致无法有效检测人脸的情况,在安检、监控以及夜间拍摄上会影响效率甚至造成失误。为降低甚至避免光照因素造成的不良影响,本研究针对恶劣光照条件下人脸的检测进行了...
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究背景和意义
1.1.1 情绪的含义
1.1.2 表情与情绪
1.1.3 表情识别的意义
1.2 表情识别的发展与现状
1.2.1 表情识别的早期研究
1.2.2 表情识别的研究现状
1.2.3 基于传统机器学习方法的表情识别研究
1.2.4 基于深度学习方法的表情识别研究
1.2.5 对比选择
1.3 表情识别存在的问题
1.4 研究目标
第2章 人脸检测算法
2.1 面部特征点定位
2.2 特征提取及分类
2.2.1 Haar-like特征提取算法
2.2.2 Adaboost自适应增强算法
2.2.3 实现检测
第3章 人脸的归一化
3.1 图像的准备工作
3.1.1 数据库简介
3.1.2 基于FACS的样本分类
3.2 光照归一化
3.2.1 光照问题研究意义
3.2.2 光照归一化常用方法
3.2.3 改进光照补偿方法
3.3 人脸对齐
3.3.1 姿态归一化
3.3.2 尺度归一化
3.4 人脸局部区域的分割
3.4.1 传统的图像分割
3.4.2 ERT特征点定位局部分割
3.4.3 ERT特征点定位深度分割
第4章 人脸的特征提取和分类
4.1 特征提取的意义
4.2 特征提取的方法
4.3 纹理特征优势
4.4 基于LBP的特征提取
4.5 LBP特征的分类
4.6 仿真分析结果
第5章 表情识别系统设计
5.1 样本训练
5.2 表情识别
5.3 图像处理部分工作展示
5.3.1 人脸规则分割核心程序段
5.3.2 阈值分割直方图均衡化核心程序段
5.3.3 特征点定位及不规则分割核心程序段
第6章 总结与展望
6.1 研究总结
6.2 研究展望
参考文献
致谢
英文缩写检索表
【参考文献】：
期刊论文
[1]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强. 中国图象图形学报. 2018(11)
[2]基于直方图均衡化图像增强的两种改进方法[J]. 董丽丽,丁畅,许文海. 电子学报. 2018(10)
[3]基于Adaboost算法的人脸检测及OpenCV实现[J]. 丁业兵. 电脑知识与技术. 2018(27)
[4]人脸表情识别综述[J]. 杨晓龙,闫河,张杨. 数字技术与应用. 2018(02)
[5]基于深度学习与传统机器学习的人脸表情识别综述[J]. 刘念,王枫. 科技资讯. 2018(04)
[6]融合面部表情和肢体动作特征的情绪识别[J]. 汪伟鸣,邵洁. 电视技术. 2018(01)
[7]基于拉普拉斯金字塔的Gabor特征人脸识别算法[J]. 吴定雄,景小平,张力戈,王文彬. 计算机应用. 2017(S2)
[8]人脸表情识别在智能机器人中的应用研究[J]. 潘峥嵘,贺秀伟. 计算机技术与发展. 2018(02)
[9]基于深度学习与传统机器学习的人脸表情识别综述[J]. 王信,汪友生. 应用科技. 2018(01)
[10]人脸表情识别在婴儿看护中的应用[J]. 李嘉良,范亦凡,展雯慧,黎箐箐. 数码世界. 2017(08)
硕士论文
[1]局部遮挡条件下的鲁棒表情识别方法研究与系统实现[D]. 李蕊.北京工业大学 2015
[2]光照鲁棒的人脸检测和人脸识别方法研究[D]. 秦攀.华东理工大学 2014
[3]人脸表情识别及其在辅助医护中的应用[D]. 杨爽.南京理工大学 2010
[4]基于两级Adaboost的LBP快速人脸识别的实现与应用[D]. 褚力.复旦大学 2008
本文编号：3688824
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究背景和意义
1.1.1 情绪的含义
1.1.2 表情与情绪
1.1.3 表情识别的意义
1.2 表情识别的发展与现状
1.2.1 表情识别的早期研究
1.2.2 表情识别的研究现状
1.2.3 基于传统机器学习方法的表情识别研究
1.2.4 基于深度学习方法的表情识别研究
1.2.5 对比选择
1.3 表情识别存在的问题
1.4 研究目标
第2章 人脸检测算法
2.1 面部特征点定位
2.2 特征提取及分类
2.2.1 Haar-like特征提取算法
2.2.2 Adaboost自适应增强算法
2.2.3 实现检测
第3章 人脸的归一化
3.1 图像的准备工作
3.1.1 数据库简介
3.1.2 基于FACS的样本分类
3.2 光照归一化
3.2.1 光照问题研究意义
3.2.2 光照归一化常用方法
3.2.3 改进光照补偿方法
3.3 人脸对齐
3.3.1 姿态归一化
3.3.2 尺度归一化
3.4 人脸局部区域的分割
3.4.1 传统的图像分割
3.4.2 ERT特征点定位局部分割
3.4.3 ERT特征点定位深度分割
第4章 人脸的特征提取和分类
4.1 特征提取的意义
4.2 特征提取的方法
4.3 纹理特征优势
4.4 基于LBP的特征提取
4.5 LBP特征的分类
4.6 仿真分析结果
第5章 表情识别系统设计
5.1 样本训练
5.2 表情识别
5.3 图像处理部分工作展示
5.3.1 人脸规则分割核心程序段
5.3.2 阈值分割直方图均衡化核心程序段
5.3.3 特征点定位及不规则分割核心程序段
第6章 总结与展望
6.1 研究总结
6.2 研究展望
参考文献
致谢
英文缩写检索表
【参考文献】：
期刊论文
[1]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强. 中国图象图形学报. 2018(11)
[2]基于直方图均衡化图像增强的两种改进方法[J]. 董丽丽,丁畅,许文海. 电子学报. 2018(10)
[3]基于Adaboost算法的人脸检测及OpenCV实现[J]. 丁业兵. 电脑知识与技术. 2018(27)
[4]人脸表情识别综述[J]. 杨晓龙,闫河,张杨. 数字技术与应用. 2018(02)
[5]基于深度学习与传统机器学习的人脸表情识别综述[J]. 刘念,王枫. 科技资讯. 2018(04)
[6]融合面部表情和肢体动作特征的情绪识别[J]. 汪伟鸣,邵洁. 电视技术. 2018(01)
[7]基于拉普拉斯金字塔的Gabor特征人脸识别算法[J]. 吴定雄,景小平,张力戈,王文彬. 计算机应用. 2017(S2)
[8]人脸表情识别在智能机器人中的应用研究[J]. 潘峥嵘,贺秀伟. 计算机技术与发展. 2018(02)
[9]基于深度学习与传统机器学习的人脸表情识别综述[J]. 王信,汪友生. 应用科技. 2018(01)
[10]人脸表情识别在婴儿看护中的应用[J]. 李嘉良,范亦凡,展雯慧,黎箐箐. 数码世界. 2017(08)
硕士论文
[1]局部遮挡条件下的鲁棒表情识别方法研究与系统实现[D]. 李蕊.北京工业大学 2015
[2]光照鲁棒的人脸检测和人脸识别方法研究[D]. 秦攀.华东理工大学 2014
[3]人脸表情识别及其在辅助医护中的应用[D]. 杨爽.南京理工大学 2010
[4]基于两级Adaboost的LBP快速人脸识别的实现与应用[D]. 褚力.复旦大学 2008
本文编号：3688824
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3688824.html
最近更新
教材专著
