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SEQ__图\*ARABIC1Gabor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