基于流形学习的人脸表情识别算法研究

发布时间：2017-06-27 11:11

  本文关键词：基于流形学习的人脸表情识别算法研究，由笔耕文化传播整理发布。

【摘要】：表情识别是理解情感的基础,是智能化人机交互所要解决的一个重要课题,也是人们探索智能、理解智能的有效途径。由于人脸表情本身的多样性和非线性特点,用线性处理方法很难获得令人满意的识别结果。本文主要对基于流形学习的人脸表情特征提取方法进行了研究,目标是解决监督学习中小样本情况下的识别问题和半监督学习中有标记样本数量有限情况下的识别问题,论文的主要贡献如下： 第一,将基于线的相似度度量(最近特征线)引入流形学习准则,构建基于线的近邻图,提出了模糊局部最近特征线算法(FLNFL)。不同于传统的近邻图,特征线图中的每个“顶点”不是孤立的样本点,而是由同类别的样本点构成的特征线。特征线能够逼近样本间可能出现的变化,等同于模拟出无穷多个特征点,样本集的表示能力便因此增强了。此外,采用模糊方法计算样本的类隶属度和权重矩阵,从而减弱了相似样本之间的混叠,准确的刻画样本的内在关系。实验结果表明FLNFL可以有效的提取人脸表情特征,提高人脸表情识别的准确度。特别是在规模较小的JAFFE表情库上,FLNFL算法的优势更为明显。 第二,分析了最短特征线段分类器的优势和不足,提出了一种新的基于线的相似度度量,称为改进的最短特征线段。该度量方法将最近特征线和最短特征线段相融合,避免了二者的缺点,同时保留了扩大样本表示容量的优势。将这种新的度量方法用于构建邻域图,并结合判别分析的思想提出了图保持最短特征线段算法(GSFLS)。实验证明,相比基于最近特征线度量的特征提取算法,GSFLS提取出的人脸表情特征判别性更强。 第三,传统的基于图的半监督流形算法利用有标记样本挖掘类别结构,大量的无标记样本用于捕获数据集的流形拓扑结构,其潜在的类别信息被忽略了,该信息对获得数据集的判别性结构大有帮助。当有标记样本的数量较少时,得到的对类别结构的刻画是不准确的,导致算法的性能严重退化。为了解决上述问题,提出了概率半监督判别分析算法(PSDA)。该方法构建了类重建误差与类别信息的非线性函数关系,并引入模糊化思想,估计无标记样本的类隶属度。在类隶属度的指导下,大量无标记数据可以辅助标记样本对数据集的分布进行更加准确的描述。实验结果表明这种分配方式更适合表示由于内在的(如混合表情)或外部环境变化造成的类别不确定的表情样本,逼近样本集的内在结构。对于提高人脸表情识别的正确率效果显著。 第四,在PSDA算法的基础上,提出了其流形拓广算法——图嵌入概率判别分析(GPSDA)。首先给出模糊集的相似度定义,用于度量无标记样本的模糊类别信息之间的相似关系。其次,结合类别关系和邻域关系构建监督的邻域图和邻接矩阵。相比已有的半监督流形算法,构建的监督邻域图在挖掘数据集的整体几何结构的同时,提高了算法的判别能力。最后,采用判别分析思想构建目标函数。实验表明,GPSDA对人脸识别和表情识别比其他相关的半监督流形学习方法更加有效,并且对有标记训练样本不足时的识别问题具有一定的鲁棒性。
【关键词】：人脸表情识别 特征提取 流形学习 相似度度量 最近特征线 半监督学习
【学位授予单位】：北京交通大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 致谢5-6
• 摘要6-8
• ABSTRACT8-10
• 主要~.略词10-14
• 1 绪论14-38
• 1.1 研究背景和研究意义14-16
• 1.2 国内外研究现状16-30
• 1.2.1 概述16-18
• 1.2.2 表情特征的研究现状18-30
• 1.2.3 研究成果应用情况30
• 1.3 存在的问题30-31
• 1.4 常用的人脸表情数据库31-33
• 1.5 论文主要工作与章节安排33-38
• 1.5.1 论文主要工作33-35
• 1.5.2 论文章节安排35-38
• 2 流形学习方法的基本理论38-50
• 2.1 流形与流形学习38-39
• 2.1.1 流形的概念38
• 2.1.2 流形学习的基本思想38-39
• 2.2 流形学习算法39-45
• 2.2.1 等距映射(Isomap)40-41
• 2.2.2 局部线性嵌入(LLE)41-43
• 2.2.3 拉普拉斯特征映射(LE)43-44
• 2.2.4 局部切空间排列(LTSA)44-45
• 2.3 基于谱图理论的流形学习框架45-49
• 2.4 本章小结49-50
• 3 模糊局部最近特征线算法50-66
• 3.1 最近特征线度量50-52
• 3.2 基于模糊最近特征线的流形学习方法52-64
• 3.2.1 模糊局部最近特征线(FLNFL)53-56
• 3.2.2 实验结果与分析56-64
• 3.3 本章小结64-66
• 4 图保持最短特征线段算法66-82
• 4.1 最短特征线段分类器66-69
• 4.2 图保持最短特征线段(GSFLS)69-80
• 4.2.1 半监督学习的发展现状69-74
• 4.2.2 实验结果与分析74-80
• 4.3 本章小结80-82
• 5 基于概率的半监督判别分析算法82-114
• 5.1 基于图的半监督学习82-86
• 5.1.1 半监督线性判别分析算法(SSLDA)83-84
• 5.1.2 半监督降维算法（SSDR)84-86
• 5.2 概率半监督判别分析(PSDA)86-97
• 5.2.1 算法描述87-90
• 5.2.2 实验结果与分析90-97
• 5.3 图嵌入概率半监督判别分析(GPSDA)97-111
• 5.3.1 算法描述97-101
• 5.3.2 实验结果与分析101-111
• 5.4 本章小结111-114
• 6 基于流形学习的人脸表情识别系统114-124
• 6.1 系统概述114-115
• 6.2 系统功能模块115-123
• 6.2.1 预处理模块115-117
• 6.2.2 训练模块117-118
• 6.2.3 测试模块118-123
• 6.3 本章小结123-124
• 7 总结与展望124-128
• 7.1 论文工作总结124-125
• 7.2 后续工作展望125-128
• 参考文献128-138
• 作者简历及攻读博士学位期间取得的研究成果138-142
• 学位论文数据集142

【参考文献】

中国期刊全文数据库 前7条

1 左坤隆,刘文耀;基于活动外观模型的人脸表情分析与识别[J];光电子·激光;2004年07期

2 朱健翔;苏光大;李迎春;;结合Gabor特征与Adaboost的人脸表情识别[J];光电子·激光;2006年08期

3 张振跃,查宏远;线性低秩逼近与非线性降维[J];中国科学(A辑:数学);2005年03期

4 王志良;刘芳;王莉;;基于计算机视觉的表情识别技术综述[J];计算机工程;2006年11期

5 李贤帅;李赣华;周东翔;蔡宣平;樊玮虹;;基于人眼定位的快速人脸检测及归一化算法[J];计算机工程与科学;2006年12期

6 高文，金辉;面部表情图像的分析与识别[J];计算机学报;1997年09期

7 黄启宏;刘钊;;流形学习中非线性维数约简方法概述[J];计算机应用研究;2007年11期

中国博士学位论文全文数据库 前3条

1 尹峻松;流形学习理论与方法研究及在人脸识别中的应用[D];国防科学技术大学;2007年

2 付晓峰;基于二元模式的人脸识别与表情识别研究[D];浙江大学;2008年

3 金一;人脸识别中的若干算法研究[D];北京交通大学;2009年

  本文关键词：基于流形学习的人脸表情识别算法研究，，由笔耕文化传播整理发布。

本文编号：489561