基于几何特征与表观特征融合的表情识别方法研究.docx

基于几何特征与表观特征融合的表情识别方法研究
表情识别是计算机视觉领域的一个研究热点，其应用范围广泛，包括人机交互、情感计算、社交网络、安防等。近年来，随着深度学习的发展，表情识别的准确率得到了很大提升。但是，仍存在一些挑战，例如在不同光照、姿态和相机角度下的表情变化，以及表情间的混淆等。
为了解决这些挑战，本文提出了一种基于几何特征和表观特征融合的表情识别方法。具体来说，我们从两个角度考虑表情识别的特征提取：1）几何特征，即基于人脸形状的特征，包括了面部区域的几何形状信息和姿势信息；2）表观特征，即基于面部纹理的特征，包括了皮肤颜色、纹路、斑点等信息。
在几何特征的提取中，我们采用了ActiveShapeModel(ASM)算法，该算法可以根据一组训练数据拟合面部模型，并通过该模型对新的面部图像进行形状检测。在表观特征的提取中，我们采用了LocalBinaryPattern(LBP)算法，该算法可以计算面部图像中每个像素点周围像素的灰度级，将其转换成二进制码表示，并统计出出现不同二进制码的次数，形成一个纹理特征向量。
接下来，我们将几何特征和表观特征进行融合。具体来说，我们将ASM算法的检测结果和LBP算法提取的特征向量拼接在一起，得到一个综合特征向量，并使用支持向量机（SVM）进行分类。实验结果表明，该方法比单独使用ASM算法或LBP算法的识别准确率都有所提高，尤其是在面部表情混淆较为严重的情况下。
我们还针对不同的面部表情（如高兴、悲伤、惊讶、愤怒）进行了实验比较。实验结果表明，在所有情况下，使用融合特征的方法都比单独使用ASM或LBP算法的识别准确率要高，特别是在高度混淆的情况下，融合方法的优势更加明显。
综上所述，本文提出了一种基于几何特征和表观特征融合的表情识别方法，该方法在不同光照、姿态和相机角度下具有较好的泛化能力，并且能够有效地处理不同表情之间的混淆。该方法还可拓展到其他人脸识别问题，具有一定的实用价值和应用前景。