基于人脸检测与类别PCA的人脸表情识别.doc

基于人脸检测与类别PCA的人脸表情识别摘要：本文提出一种人脸表情识别的新方法----基于人脸检测与类别PCA。首先在预处理环节通过人脸检测剔除无关影响因素获取人脸部区域图像再将人脸图像按表情类别分类对每类图像分别进行Gabor滤波得到每类表情的Gabor特征再对每类特征进行PCA特征提取得到每类的最重要特征在选取的特征表情的基础上进行分类识别。本方法通过实验证明与传统PCA方法相比本方法在准确率上有了较大提升。关键词：人脸检测；类别PCA；Gabor滤波1引言表情是人类用来表达情感的一种方式是非语言交流的一种重要手段人脸表情识别是人机交互与情感计算研究的重要组成部分[1]。进入21世纪以后随着自动化的程度不断加强人机交互被应用于生活中的各个方面。而在这种面对面的交流过程当中面部表情能够通过非语言的方式传达给对方而受到讯息的人可以通过观察这些额外的信息推断出说话者真正的状态或者含义。面部表情与人类的精神状态、情感等有着微妙地表达而识别面部表情技术将会推动整个人机交互的格局实现表情机器化识别对人类来说具有相当重要的意义。2预处理首先对图像进行尺寸和灰度的归一化然后通过基于几何特征的人脸检测算法提取人脸部区域对图像进行人脸检测操作是为了能够提高后续识别过程中的准确度去除背景图像等。预处理还包括判断输入图像的合法性如检查图像格式等图像的尺寸应与滤波器的尺寸保持一致。预处理前后对比如下图所示：图1预处理前的原始图像图2预处理后的标准图像3.特征提取3.1Gabor滤波Gabor小波核函数具有与人类大脑皮层简单细胞的2维反射区相同的特性[2]。Gabor是由丹尼斯贾波于1946年提出的是一种对于信号使用局部变换的方式其主要的想法是利用一个窗口函数来进行傅里叶转换[3]。之后Gabor滤波器得到充分的运用同时随着多媒体时代的到来越来越多的图像需求被提出因此Gabor滤波器也由一维模式逐渐发展成二维模式。MichaelJ.Jones等人于1987年在研究哺乳动物视觉皮层信息处理机制时发现二维Gabor变化可以用来对哺乳动物的视觉皮层细胞的滤波进行拟合也可以变成其视觉皮层的感受野。图像的亮度信息直接影响着识别结果其亮度表示为直流分量二维Gabor滤波器去掉了直流分量从而降低了光照对于模式识别的影响。Gabor转换可以得到图像中的局部信息从而获得了局部频率上的分布。由于Gabor小波能够在多个尺度多个方向上提取表情特征[4]所以有很多表情识算法通过Gabor滤波来实现Gabor小波转换具有很高的空间和频率分辨率因此可以应用到图像处理等多个领域中尤其是和脸部特征的检测。而不同的人眼睛嘴巴等特征会存在不同的位置上因此灰度值也会根据图像的集Gabor合变化而发生改变。然而Gabor小波滤波结果不会随着图像的变换而发生大的差别因此会对结果的影响较小可以有效避免很多其他因素比如：光照、角度、遮挡等对于脸部特征检测的影响。所以用Gabor小波来提取脸部特征是较为合适的方法。Gabor滤波器设计二维Gabor小波核函数如（1-1）定义所示：(3-1)实部函数表示为：(3-2)虚部函数表示为：(3-3)其中为补偿能量谱的衰减为震荡函数实部和虚部为余弦和正弦函数其余弦函数关于高斯窗口中心偶对称积分值为零因此减去指数形式就可以消除图像直流分量的影响其表示的是图像的直流分量避免了光照对图像灰度值的影响但是保存了空间信息。图像可以从不同角度的Gabor滤波器进一步分解为M通道的不同方向的分量假设Gabor滤波器定义在M个方向即m=0…M-1。而本次设计我们定义了5个尺度8个方向的40个Gabor小波核函数如图1所示的为40个Gabor实部图1Gabor小波函数实部的结果（5个不同方向与8个不同尺度）3.2图像与Gabor进行卷积图像与Gabor进行卷积其实质是用此滤波器对图像滤波[5]卷积定理指出函数卷积的傅立叶变换是函数傅里叶变换的乘积。即一个域中的卷积相当于另一个域中的乘积例如时域中的卷积就对应着频域中的乘积。公式为：F（g(x)*f(x)）=F(g(x))F(f(x))其中F表示的就是傅里叶变换。本文采用的图像是为112x92大小的图像输入如果对每张图像进行40次滤波其维数将高达112x92x40=412160维运算量巨大。因此我们将原图像以14为单位抽取其行和列得到新的图像从而将112x92的图像下降为8x6实现了将图像降采样。降采样之后的图像矩阵与40个滤波器进行卷积运算最终得到8x6x40=1920维的特征矩阵该特征称之为Gabor特征也是表情矢量。4类内PCA算法在Gabor处理后获得了1920维度的表情矢量。从图像分布分析中可