面部運動單元識別中的特征提取方法研究.pdf

1、本文主要研究了表情圖像的面部運動單元識別中的特征提取方法，研究了幾種經(jīng)典的特征提取方法，包括靜態(tài)圖像和動態(tài)視頻序列的表情特征提取，并對一些經(jīng)典的特征提取算法進行了改進，然后把面部關(guān)鍵點(與面部運動單元的運動密切相關(guān))和這些方法相結(jié)合來提取面部運動單元的特征。為了評判各特征提取方法在面部運動單元識別中的優(yōu)劣，用最近鄰分類器分類識別四種運動單元組合和五種單個運動單元，并比較和分析了實驗結(jié)果。
　　本文介紹了五種面部表情靜態(tài)圖像的特征提

2、取方法，其中有經(jīng)典的特征提取方法，也有對經(jīng)典特征提取方法的改進算法，然后把面部關(guān)鍵點與這些特征提取方法相結(jié)合提取面部表情圖像的特征。五種靜態(tài)圖像的特征分別是：
　　(1)Gabor小波特征，即先對表情圖像做Gabor變換，然后提取相應(yīng)關(guān)鍵點處的Gabor特征值，構(gòu)成該幅表情圖像的特征，作為表征面部運動單元運動最有效的特征。
　　(2)Diff+Gabor特征，先把待測表情圖像與中性表情圖像做差分，然后對差分后的圖像做Gabo

3、r變換，提取關(guān)鍵點處的Gabor特征值，圖像差分可以突出運動物體的輪廓。
　　(3)LBP(Local Binary Pattern)特征，先以關(guān)鍵點為中心取子區(qū)域，然后在子區(qū)域處提取LBP特征，該方法充分考慮了與面部運動單元運動最相關(guān)位置處的局部信息。
　　(4)ICBP(Improved Centralized Binary Pattern)特征，本文對LBP特征描述子的改進，降低特征維數(shù)的同時包含了更多的信息，ICBP

4、特征的鑒別度比LBP特征更高。
　　(5)給定關(guān)鍵點的SIFT特征，不同于物體檢測中的SIFT特征，本文不對面部表情圖像檢測關(guān)鍵點，只對已給定的關(guān)鍵點在尺度空間上計算SIFT特征描述子，該方法在面部運動單元的識別中尤為有效。
　　此外，本文還研究了兩種表情動態(tài)視頻序列的面部運動單元識別中的特征提取方法，并把這兩種特征提取方法與面部關(guān)鍵點相結(jié)合提取面部表情視頻序列的特征。這兩種特征分別為：
　　(1)LBP-TOP特征，

5、以第一幀的關(guān)鍵點為基準在每一幀中提取子區(qū)域，相同關(guān)鍵點的子區(qū)域構(gòu)成一個子視頻序列，然后對各子視頻序列提取LBP-TOP特征。
　　(2)ICBP-TOP特征，本文在LBP-TOP特征基礎(chǔ)上的改進，同樣是先根據(jù)關(guān)鍵點獲得子視頻序列，再對每個子視頻序列提取ICBP-TOP特征，性能和效率都優(yōu)于LBP-TOP特征。
　　本文在以上特征的基礎(chǔ)上，采用卡內(nèi)基梅隆大學(CMU)的CK+面部表情數(shù)據(jù)庫進行實驗，實驗結(jié)果表明本文所提方法的有