人臉表情辨識算法及應用


	隨著電腦技術的不斷發展，人們在享受電腦帶來的方便與快捷的同時，對人機互動的需求也不斷增加。人機智慧互動變得尤為重要。如果電腦像人類一樣能主動適應周圍的環境，並且還能觀察、理解和產生各種「情感」，這將從根本上改變人與電腦之間的關係，最終實現自然、富有情感、和諧的人機交互，使電腦能夠更好、更全方位地為人類服務。由於人臉表情傳遞著豐富的個人情感資訊，是人們非語言交流的一種重要方式，在人與人之間的交流中扮演著重要的角色，因此電腦通過對人臉表情進行辨識，可以感知人的情感和意圖，與人類的交互就會變得更加智慧。近年來，人臉表情辨識已成為國內外模式辨識和人工智慧領域的研究熱點，其內容涉及到心理學、社會學、數學、認知科學、生物學、電腦科學等眾多學科，是一個極富挑戰性的交叉課題。　　本書以人臉表情辨識為研究對象，比較全面系統地研究了人臉表情辨識系統的基本理論、演算法設計和應用，設計了一套主動視覺人臉追蹤與表情辨識系統。書中分別以動態人臉表情、微表情、魯棒表情為辨識對象，介紹了相關特徵提取、分類演算法的技術方法。書中各部分主要內容如下：第1章是人臉表情辨識系統的概述，還介紹了相關技術的國內外發展現狀。第2章針對複雜背景彩色圖像人臉快速檢測的問題，提出了一種人臉檢測與定位的方法。第3章針對動態人臉表情特徵提取的問題，提出了基於Candide3 模型的人臉表情追蹤及動態特徵提取方法。第4章詳細討論了基於動態圖像序列的表情圖像分類及實現方法。第5章研究並討論了基於主動外觀模型的人臉動態序列圖像表情特徵提取演算法。第6章設計了基於子空間分析和改進最近鄰分類的表情辨識演算法。第7章針對微表情序列圖像的分析，提出了一種微表情序列圖像的預處理方法。第8章設計了基於多尺度LBP-TOP 的微表情特徵提取方法。第9章提出了基於全域光流特徵提取與LBP-TOP 特徵結合的微表情特徵提取演算法。第10章討論了基於支持向量機和隨機森林的微表情辨識的分類器設計方法。第11章提出了一種基於Gabor 多方向特徵融合與分塊長條圖的表情特徵提取方法。第12章針對光照變化下的表情分析問題，研究了基於對稱雙線性模型的光照魯棒性人臉表情分析。第13章針對局部遮擋情況下的表情特徵提取問題，研究了一種基於局部特徵徑向編碼的局部遮擋表情特徵提取方法。第14章針對局部遮擋表情特徵提取，設計了局部累加核支援向量機分類器演算法。第15章設計了一套基於主動視覺的人臉追蹤與表情辨識系統。　　本書可供從事模式辨識、表情辨識、人臉辨識系統研究的科研人員、相關專業的研究生或高年級大學生使用。


	目錄第1章緒論 1.1 人臉表情辨識系統概述 1.2 基於動態圖像序列的人臉表情辨識的研究情況 1.3 微表情辨識的研究情況 1.3.1 微表情辨識的應用研究 1.3.2 微表情表達的研究 1.3.3 微表情辨識的算法研究 1.3.4 微表情數據庫的研究 1.4 魯棒性人臉表情辨識的研究情況 1.4.1 面部有遮擋的表情辨識研究現狀 1.4.2 非均匀光照下的表情辨識研究現狀 1.4.3 與視角無關的表情辨識研究現狀 1.5 人臉表情辨識相關資料匯總參考文獻第2章人臉檢測與定位 2.1 概述 2.2 基於膚色分割和模板匹配算法的快速人臉檢測 2.2.1 基於彩色資訊的圖像分割 2.2.2 自適應模板匹配 2.2.3 仿真實驗及結果分析 2.3 改進Adaboost算法的人臉檢測 2.3.1 由擴展的Haar-like特徵生成弱分類器 2.3.2 Adaboost算法生成強分類器 2.3.3 級聯分類器的生成 2.3.4 極端學習機 2.3.5 仿真實驗及結果分析參考文獻第3章基於Candide3模型的人臉表情追蹤及動態特徵提取 3.1 概述 3.2 基於Candide3臉模型的追蹤算法研究 3.2.1 Candide3臉模型的研究 3.2.2 基於Candide3模型的追蹤算法研究 3.3 追蹤算法改進 3.3.1 光照處理 3.3.2 基於在線表觀模型的追蹤算法 3.3.3 模型的自動初始化研究 3.3.4 改進算法後追蹤實驗 3.4 動態特徵提取 3.4.1 特徵點的追蹤 3.4.2 動態特徵提取 3.4.3 基於k均值的聚類分析參考文獻第4章表情分類的實現 4.1 概述 4.2 K近鄰分類器 4.2.1 K近鄰規則 4.2.2 K近鄰分類的距離度量 4.2.3 基於K近鄰分類器的分類實驗 4.3 流形學習 4.3.1 主成分分析（PCA） 4.3.2 拉普拉斯映射（LE） 4.3.3 基於流形學習的降維分類實驗 4.4 支持向量機 4.4.1 支持向量機的基本思想 4.4.2 非線性支持向量機 4.4.3 基於支持向量機的分類實驗 4.5 基於Adaboost的分類研究 4.5.1 Adaboost算法 4.5.2 基於Adaboost的分類實驗參考文獻第5章人臉動態序列圖像表情特徵提取 5.1 概述 5.2 基於主動外觀模型的運動特徵提取 5.2.1 主動形狀模型 5.2.2 幾何特徵提取 5.3 基於Candide3 三維人臉模型的動態特徵提取 5.3.1 Candide3 三維人臉模型 5.3.2 提取表情運動參數特徵 5.4 動態時間規整（ DTW） 5.5 特徵選擇 5.5.1 基於Fisher準則的特徵選擇 5.5.2 基於分布估計算法的特徵選擇 5.6 仿真實驗及結果分析 5.6.1 基於主動外觀模型的運動特徵提取 5.6.2 基於Candide3 模型的動態特徵提取參考文獻第6章基於子空間分析和改進最近鄰分類的表情辨識 6.1 概述 6.2 特徵降維 6.2.1 非線性流形學習方法 6.2.2 線性子空間方法 6.3 改進最近鄰分類法 6.4 仿真實驗及結果分析參考文獻第7章微表情序列圖像預處理86 7.1 概述 7.2 灰階歸一化 7.3 尺度歸一化 7.4 序列長度歸一化 7.4.1 時間插值法原理 7.4.2 時間插值法建模 7.4.3 時間插值法實現參考文獻第8章基於多尺度LBP-TOP的微表情特徵提取 8.1 概述 8.2 多尺度分析 8.2.1 平滑濾波 8.2.2 高斯微分 8.3 局部二值模式 8.3.1 原始LBP 8.3.2 改進LBP 8.3.3 降維 8.3.4 靜態特徵統計 8.4 時空局部二值模式 8.4.1 LBP-TOP 8.4.2 動態特徵統計 8.5 多尺度LBP-TOP 參考文獻第9章基於全局光流與LBP-TOP特徵結合的微表情特徵提取 9.1 概述 9.2 相關理論 9.2.1 運動場及光流場 9.2.2 經典運算方法 9.3 問題描述 9.3.1 約束條件 9.3.2 模型構建 9.4 算法實現 9.4.1 目標優化 9.4.2 多解析度策略 9.4.3 特徵統計 9.5 光流與LBP-TOP特徵結合參考文獻第10章人臉微表情分類器設計及實驗分析 10.1 概述 10.2 支持向量機 10.2.1 分類原理 10.2.2 樣本空間 10.2.3 模型參數優化 10.3 隨機森林 10.3.1 集成學習 10.3.2 決策樹 10.3.3 組合分類模型 10.4 評價準則 10.5 實驗對比驗證 10.5.1 辨識LBP-TOP特徵 10.5.2 辨識GDLBP-TOP特徵 10.5.3 辨識OF特徵 10.5.4 辨識LBP-TOP＋OF特徵參考文獻第11章基於Gabor多方向特徵融合與分塊直方圖的表情特徵提取 11.1 概述 11.2 人臉表情圖像的Gabor特徵表徵 11.2.1 二維Gabor濾波器 11.2.2 人臉表情圖像的Gabor特徵表徵 11.3 二維Gabor小波多方向特徵融合 11.3.1 融合規則1 11.3.2 融合規則2 11.4 分塊直方圖特徵選擇 11.5 基於Gabor特徵融合與分塊直方圖統計的特徵提取 11.6 算法可行性分析 11.7 實驗描述及結果分析 11.7.1 實驗流程 11.7.2 表情圖庫中圖像預處理 11.7.3 實驗描述 11.7.4 實驗結果分析 11.7.5 所選融合特徵的尺度分析參考文獻第12章基於對稱雙線性模型的光照魯棒性人臉表情分析 12.1 概述 12.2 雙線性模型 12.3 基於對稱雙線性變換的表情圖像處理 12.4 光照變換 12.5 實驗描述及結果分析 12.5.1 實驗描述 12.5.2 實驗對比參考文獻第13章基於局部特徵徑向編碼的局部遮擋表情特徵提取 13.1 概述 13.2 表情圖像預處理 13.3 局部特徵提取與表徵 13.4 Gabor特徵徑向編碼 13.5 算法可行性分析 13.6 實驗描述及結果分析 13.6.1 局部子塊數對辨識結果的影響 13.6.2 徑向網格尺寸對辨識結果的影響 13.6.3 左/右人臉區域遮擋對辨識結果的影響 13.6.4 不同局部特徵編碼方法的實驗對比分析 13.6.5 遮擋對於表情辨識的影響參考文獻第14章局部累加核支持向量機分類器 14.1 概述 14.2 支持向量機基本理論 14.2.1 廣義最佳分類面 14.2.2 線性分類問題 14.2.3 支持向量機 14.2.4 核函數 14.3 局部徑向基累加核支持向量機 14.4 局部歸一化線性累加核支持向量機 14.5 實驗描述及結果分析 14.5.1 實驗描述 14.5.2 對比實驗參考文獻第15章基於主動視覺的人臉追蹤與表情辨識系統 15.1 概述 15.2 系統架構 15.2.1 硬體設計 15.2.2 使用者介面的設計 15.3 相關算法 15.3.1 雲臺追蹤算法 15.3.2 表情辨識算法 15.4仿真實驗及結果分析 15.4.1 人臉定位追蹤實驗 15.4.2 人臉表情辨識實驗參考文獻