基于局部纹理特征和HMM的人脸表情识别研究的中期报告.docx

基于局部纹理特征和HMM的人脸表情识别研究的中期报告
本文基于局部纹理特征和HMM方法，对人脸表情识别进行了研究。以下是中期报告：
1.研究背景和意义
随着计算机技术的不断发展，人脸表情识别已经成为一个重要的研究领域。在人机交互、情感识别、安防等领域都有广泛的应用。目前，人脸表情识别研究主要集中在三个方面：基于面部几何结构的方法、基于人工神经网络的方法、基于纹理特征的方法。
本文研究的是基于纹理特征的方法，通过局部纹理特征提取和HMM方法进行建模和分类，完成人脸表情识别任务。该方法具有以下优点：(1)局部纹理特征提取能够克服光照和姿态变化的影响，提高识别准确率。(2)HMM方法能够很好地表示时间序列的状态转移，增强了模型的鲁棒性和泛化能力。
2.研究内容和方法
(1)数据集收集和预处理
本文选择了Jaffe和CK+两个公共的人脸表情数据集作为实验数据。对数据集进行了预处理，包括：图像的归一化、直方图均衡化、特征点定位等。
(2)局部纹理特征提取
本文使用LBP(LocalBinaryPattern)算法提取了局部纹理特征。将整张图像分割成若干块，并对每个块提取LBP直方图特征。为了增强特征的判别力，本文还采用了加权LBP算法，对LBP特征进行了加权。最终得到了每张图像的局部纹理特征表示。
(3)HMM模型建模和分类
本文使用HMM方法对局部纹理特征进行建模和分类。将每张图像的局部纹理特征表示作为HMM的观测序列，将表情状态作为HMM的隐层状态。通过Baum-Welch算法估计模型的参数，通过Viterbi算法求解最优的状态路径。最终得到每张图像的表情状态。
3.研究进展和展望
目前，本文已完成了数据集的收集和预处理，以及局部纹理特征提取和HMM模型的建模和分类。通过实验发现，使用局部纹理特征和HMM方法，相比于基于全局特征的方法，能够得到更好的表情识别效果。但还存在以下问题：(1)参数调整和训练时间过长。(2)对于复杂表情的识别效果还有待提高。(3)对于光照和姿态变化较大的图像，仍存在一定的识别误差。
未来的研究方向包括：(1)探索更加有效的特征提取和选择方法。(2)改进HMM模型，提高鲁棒性和泛化能力。(3)结合深度学习方法，进一步提高表情识别效果。(4)在实际应用中，应用该方法进行人机交互和情感分析等任务，并对效果进行验证和评估。