基于Gabor小波变换和SVM的人脸表情识别的任务书.docx

基于Gabor小波变换和SVM的人脸表情识别的任务书
任务书
任务名称：基于Gabor小波变换和SVM的人脸表情识别
任务目标：
1.实现人脸表情图像的预处理，提取感兴趣的特征；
2.应用Gabor小波变换对特征图像进行分析，提取主要特征；
3.使用SVM（支持向量机）算法进行人脸表情分类；
4.对比分析不同特征提取和分类方法的识别效果；
任务概述：
人脸表情识别技术在社交网络、娱乐、安全监控等领域有着广泛应用，它能够自动识别人脸的表情状态并给出分类结果。本任务采用基于Gabor小波变换和SVM的方法来实现人脸表情识别。
方案设计：
1.数据集准备：本任务使用的数据集是FER2013，它包含了70,000张人脸表情图像，涵盖了7个表情类型：生气、厌恶、害怕、开心、悲伤、惊讶和中性。我们将把它们划分为训练集、验证集和测试集。
2.图像预处理：为了去除噪声和提取表情特征，在图像预处理阶段，我们将采用以下方法：
（1）对输入图像进行灰度化处理；
（2）采用直方图均衡化技术增强图像的对比度和亮度；
（3）采用高斯滤波器去除图像的高频噪声；
（4）分割出感兴趣的面部区域，去除背景信息。
3.特征提取：我们将采用Gabor小波变换提取图像的空间频域特征。Gabor小波变换能够将频域和时域的特征紧密结合，对于人脸表情识别任务而言，它具有很好的应用价值。我们将选取不同方向、不同频带的Gabor滤波器组合构成一个Gabor小波变换的滤波器集，通过卷积运算对图像进行特征提取。
4.分类器设计：我们将采用SVM（支持向量机）分类器，SVM是一种经典的二分类器，它能够有效地处理高维度的非线性数据，具有良好的分类性能。我们将采用多分类SVM分类器，它将使用一对多的方法对多个类别进行分类。
5.实验分析：在本任务中，我们将比较不同特征提取方法和分类器对人脸表情识别的分类效果，我们将采用准确率、召回率、F1值等指标对分类器的性能进行评价。我们将采用交叉验证的方法对分类器的泛化能力进行测试。
任务计划：
1.数据集的准备和数据的预处理，截止日期：2021年5月20日
2.Gabor小波变换的特征提取和分类器的设计，截止日期：2021年6月20日
3.对比分析不同特征提取和分类方法的识别效果，截止日期：2021年7月20日
4.撰写任务报告，截止日期：2021年8月20日
任务成果：
1.基于Gabor小波变换和SVM的人脸表情识别算法；
2.评估不同特征提取方法和分类器对人脸表情识别的效果；
3.任务报告，汇总整个实验过程、方法及实验结果；
4.代码实现及验证数据；
5.PowerPoint展示文稿。