基于全局与局部特征字典重构残差的表情识别研究
发布时间：2021-12-09 08:37
随着计算机技术的发展,面部表情识别技术的应用范围也随之扩大。目前,面部表情识别算法的研究已经成为人工智能领域的一个重要分支,该技术的研究和应用使人机交互变得更加智能。表情识别面临的一个重要问题是:从人脸图像中提取的特征将无可避免地包含人脸身份信息。因此本文旨在研究如何在特征提取过程中突出表情信息。本文将从局部特征和全局特征两方面进行研究,具体内容如下:(1)针对局部特征方法进行改进。使用词袋模型作为基础,提取局部信息。首先,在进行特征提取时使用改进的LBP算法得到突出表情的局部特征,在编码时加入原始像素的梯度信息,既能得到表情特征又能得到表情特征的位置信息;然后采用稀疏相关约束下的非负矩阵分解算法进行降维,根据稀疏约束使降维后的特征简洁,根据相关约束使降维后的特征保留更多地相似性,便于后续构造字典和编码。(2)针对全局特征方法进行改进。由于直接提取图像特征会存在人脸身份信息干扰,所以一方面利用DWT算法获得人脸的表情图像,将该图像特征与整体面部特征进行融合,得到表情加权的全局信息;另一方面,利用互信息来衡量表情图像间的相似性,将其用于构造流形降维中的邻接矩阵,使降维特征中保留表情信息的...
【文章来源】： 燕山大学河北省
【文章页数】：66 页
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文研究内容
1.4 论文组织结构
第2章 表情识别框架
2.1 数据集介绍
2.2 图像预处理
2.2.1 人脸图像检测
2.2.2 归一化
2.3 特征提取
2.3.1 基于降维特征提取
2.3.2 局部特征提取
2.3.3 全局特征提取
2.4 分类方法
2.5 本章小结
第3章 基于局部特征的表情识别算法
3.1 改进的LBP算法(GLBP)
3.2 基于非负矩阵分解的降维
3.2.1 非负矩阵分解
3.2.2 基于相关约束和稀疏约束下的改进非负矩阵分解
3.3 基于局部二值的视觉词袋模型
3.3.1 视觉词袋模型基本步骤
3.3.2 改进视觉词袋模型
3.4 实验与分析
3.4.1 JAFFE数据集实验
3.4.2 TEFID数据集实验
3.4.3 CK+数据集实验
3.4.4 特征降维维数对比实验
3.4.5 其他算法对比实验
3.5 本章小结
第4章 基于全局特征的表情识别算法
4.1 基于2DGabor小波变换的人脸特征提取
4.2 基于离散小波变化的表情特征加权
4.3 表情互信息流形学习
4.3.1 流形学习
4.3.2 互信息
4.3.3 互信息保局投影降维模型
4.4 协同表示分类
4.5 实验与分析
4.5.1 JAFFE数据集实验
4.5.2 TEFID数据集实验
4.5.3 CK+数据集实验
4.5.4 特征降维维数对比实验
4.5.5 其他算法对比实验
4.6 本章小结
第5章 基于局部特征与全局特征的表情识别算法
5.1 融合方法
5.2 实现框图
5.3 实验与分析
5.3.1 数据集划分比例对比实验
5.3.2 全局算法与局部算法融合
5.3.3 混淆矩阵
5.3.4 噪声实验
5.3.5 其他算法对比
5.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢
【参考文献】：
期刊论文
[1]基于特征融合的人脸表情识别研究 [J]. 高理想,高磊. 软件工程. 2019(12)
[2]基于互信息的多模态医学图像配准方法研究 [J]. 沈仑,寿鹏里. 科学技术创新. 2019(34)
[3]基于离散小波变换和梯度锐化的遥感图像融合算法 [J]. 姜文斌,孙学宏,刘丽萍. 电光与控制. 2020(05)
[4]基于多特征融合密集残差CNN的人脸表情识别 [J]. 马中启,朱好生,杨海仕,王琪,胡燕海. 计算机应用与软件. 2019(07)
[5]自适应Gabor卷积核编码网络的表情识别方法 [J]. 梁华刚,张志伟,王亚茹. 计算机工程与应用. 2020(10)
[6]基于改进的局部方向模式人脸表情识别算法 [J]. 罗元,余朝靖,张毅,刘浪. 重庆大学学报. 2019(03)
[7]基于LBP和PCA的表情识别 [J]. 范礼鸿,宁媛. 新型工业化. 2019(02)
[8]基于改进的局部二值模式算法的表情识别 [J]. 贾磊,鲁旭涛,孙运强. 国外电子测量技术. 2018(10)
[9]融合AAM、CNN与LBP特征的人脸表情识别方法 [J]. 李艳玮,郑伟勇,林楠. 计算机工程与设计. 2017(12)
[10]改进的多尺度局部二值模式的表情识别方法 [J]. 芦敏,周海英. 河北农机. 2017(10)
博士论文
[1]基于子空间分析的面部表情特征提取算法研究[D]. 郑宁.郑州大学. 2016
硕士论文
[1]基于混合特征的人脸表情识别算法研究[D]. 吴越.哈尔滨工程大学. 2019
[2]基于特征融合的人脸表情识别研究[D]. 付克博.杭州电子科技大学. 2017
[3]基于自适应加权LBP和协作表示的人脸表情识别[D]. 石婉婉.南京邮电大学. 2016
[4]基于改进的LBP算子和稀疏表达在人脸表情识别上的医用[D]. 赵栋杰.江苏科技大学. 2016
[5]基于Gabor小波的人脸表情识别研究[D]. 刘胜.华中科技大学. 2015
[6]基于HOG特征的人脸表情识别算法研究[D]. 王镇.南京邮电大学. 2015
本文编号：3530317
【文章来源】： 燕山大学河北省
【文章页数】：66 页
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文研究内容
1.4 论文组织结构
第2章 表情识别框架
2.1 数据集介绍
2.2 图像预处理
2.2.1 人脸图像检测
2.2.2 归一化
2.3 特征提取
2.3.1 基于降维特征提取
2.3.2 局部特征提取
2.3.3 全局特征提取
2.4 分类方法
2.5 本章小结
第3章 基于局部特征的表情识别算法
3.1 改进的LBP算法(GLBP)
3.2 基于非负矩阵分解的降维
3.2.1 非负矩阵分解
3.2.2 基于相关约束和稀疏约束下的改进非负矩阵分解
3.3 基于局部二值的视觉词袋模型
3.3.1 视觉词袋模型基本步骤
3.3.2 改进视觉词袋模型
3.4 实验与分析
3.4.1 JAFFE数据集实验
3.4.2 TEFID数据集实验
3.4.3 CK+数据集实验
3.4.4 特征降维维数对比实验
3.4.5 其他算法对比实验
3.5 本章小结
第4章 基于全局特征的表情识别算法
4.1 基于2DGabor小波变换的人脸特征提取
4.2 基于离散小波变化的表情特征加权
4.3 表情互信息流形学习
4.3.1 流形学习
4.3.2 互信息
4.3.3 互信息保局投影降维模型
4.4 协同表示分类
4.5 实验与分析
4.5.1 JAFFE数据集实验
4.5.2 TEFID数据集实验
4.5.3 CK+数据集实验
4.5.4 特征降维维数对比实验
4.5.5 其他算法对比实验
4.6 本章小结
第5章 基于局部特征与全局特征的表情识别算法
5.1 融合方法
5.2 实现框图
5.3 实验与分析
5.3.1 数据集划分比例对比实验
5.3.2 全局算法与局部算法融合
5.3.3 混淆矩阵
5.3.4 噪声实验
5.3.5 其他算法对比
5.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢
【参考文献】：
期刊论文
[1]基于特征融合的人脸表情识别研究 [J]. 高理想,高磊. 软件工程. 2019(12)
[2]基于互信息的多模态医学图像配准方法研究 [J]. 沈仑,寿鹏里. 科学技术创新. 2019(34)
[3]基于离散小波变换和梯度锐化的遥感图像融合算法 [J]. 姜文斌,孙学宏,刘丽萍. 电光与控制. 2020(05)
[4]基于多特征融合密集残差CNN的人脸表情识别 [J]. 马中启,朱好生,杨海仕,王琪,胡燕海. 计算机应用与软件. 2019(07)
[5]自适应Gabor卷积核编码网络的表情识别方法 [J]. 梁华刚,张志伟,王亚茹. 计算机工程与应用. 2020(10)
[6]基于改进的局部方向模式人脸表情识别算法 [J]. 罗元,余朝靖,张毅,刘浪. 重庆大学学报. 2019(03)
[7]基于LBP和PCA的表情识别 [J]. 范礼鸿,宁媛. 新型工业化. 2019(02)
[8]基于改进的局部二值模式算法的表情识别 [J]. 贾磊,鲁旭涛,孙运强. 国外电子测量技术. 2018(10)
[9]融合AAM、CNN与LBP特征的人脸表情识别方法 [J]. 李艳玮,郑伟勇,林楠. 计算机工程与设计. 2017(12)
[10]改进的多尺度局部二值模式的表情识别方法 [J]. 芦敏,周海英. 河北农机. 2017(10)
博士论文
[1]基于子空间分析的面部表情特征提取算法研究[D]. 郑宁.郑州大学. 2016
硕士论文
[1]基于混合特征的人脸表情识别算法研究[D]. 吴越.哈尔滨工程大学. 2019
[2]基于特征融合的人脸表情识别研究[D]. 付克博.杭州电子科技大学. 2017
[3]基于自适应加权LBP和协作表示的人脸表情识别[D]. 石婉婉.南京邮电大学. 2016
[4]基于改进的LBP算子和稀疏表达在人脸表情识别上的医用[D]. 赵栋杰.江苏科技大学. 2016
[5]基于Gabor小波的人脸表情识别研究[D]. 刘胜.华中科技大学. 2015
[6]基于HOG特征的人脸表情识别算法研究[D]. 王镇.南京邮电大学. 2015
本文编号：3530317
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3530317.html
