基于边界 Fisher 分析的人脸表情 识别算法研究.docx

苏州大学本科生毕业设计（论文）2本科毕业设计（论文）学院(部)计算机科学与技术学院题目基于边界Fisher分析的人脸表情识别算法研究年级2014级专业软件工程（嵌入式方向培养）班级计14软嵌学号1427403014姓名王喆指导老师张莉职称教授论文提交日期2018年5月19日目录摘要1前言3第一章绪论41.1研究背景及意义41.2人脸表情识别方法概述41.2.1基于几何特征的识别算法51.2.2基于外貌特征的识别算法61.3本文主要工作71.4本文组织结构7第二章相关知识回顾92.1线性判别分析92.2局部Fisher判别分析92.3边界Fisher分析102.4本章小结12第三章稀疏边界Fisher分析算法133.1算法的目标函数133.2计算复杂度约减143.3投影矩阵的稀疏化143.4数据分类163.5仿真实验163.6本章小结17第四章基于稀疏边界Fisher分析的人脸表情识别184.1人脸表情数据集184.2实验结果分析204.2.1JAFFE数据集上的实验204.2.2在CK+数据集上的实验234.2.3在GEMEP-FERA数据集上的实验244.2.4统计检验244.3本章小结25第五章总结与展望265.1本文总结265.2后续工作展望27参考文献28本科学习期间的研究成果32致谢33摘要人脸表情识别已经成为计算机视觉和模式识别等领域的热点课题之一。人脸表情识别的主要工作是首先使用一组被标记的面部表情训练图像来建立模型，然后使用该模型来识别未知人脸图像中的表情。简单地说，人脸表情识别问题大致分为两个步骤：特征提取和识别分类。使用有效的面部图像特征提取方法来描述表情特征是构建自动面部表情识别系统的主要任务。子空间学习方法是一种经典的特征提取方法，该类方法能够从存在大量冗余信息的高维数据中提取有效的判别信息。本文从降维算法的有效性出发，研究适用于人脸表情特征的子空间学习算法。本文研究了常用的经典子空间学习方法，并提出了用于人脸表情识别的稀疏边界Fisher分析(SparseMarginalFisherAnalysis,SMFA)算法。该算法在边界Fisher分析算法的基础上引入稀疏性，从而能获得一个稀疏的投影矩阵。类似于边界Fisher分析算法，SMFA计算类内离散度矩阵和类间离散度矩阵，用来分别描述相同类之间的几何结构和不同类之间的局部判别结构。与边界Fisher分析不同的是，为求得投影矩阵，SMFA要去除总离散度矩阵包含的零空间。由于投影矩阵的稀疏性能够减少后续投影过程中的计算量，同时也能够减少投影矩阵的存储空间且能够提高模型的泛化性能，本文使用线性Bregman迭代算法来求得稀疏投影矩阵。在JAFFE、CK+和GEMEP-FERA表情数据集上的大量实验证明了本文所提出方法的有效性。关键词：人脸表情识别；特征提取；边界Fisher分析；稀疏学习；线性Bregman迭代AbstractFacialexpressionrecognitionhasbecomeoneofthehottopicsinthefieldsofcomputervisionandpatternrecognition.Themainjoboffacialexpressionrecognitionistomarkuntaggedtestimageswithasetofmarkedfacialexpressiontrainingimages.Simplyput,thetaskoffacialexpressionrecognitioncanberoughlydividedintotwosteps:featureextractionandrecognitionclassification.Usingeffectiveandefficientfacialimagedescriptionmethodstoextractexpressionfeaturesisthemaintaskofconstructingautomaticfacialexpressionrecognitionsystems.Subspacelearningisonekindofclassicalmethodsfordimensionreduction.Subspacelearningmethodscanextracteffectivediscriminantinformationfromhigh-dimensionaldatawithalargeamountofredundantinformation.Thisthesisfocusesontheeffectivenessofdimensionreductionalgorithmandstudiessubspacelearningalgorit