积分商城

最新搜索： MDK PMW-HEX B码 CurrentRanger CS1621 sdk
您现在的位置是：首页 > 技术资料 > 基于稀疏特征挑选和概率线性判别分析的表情识别研究
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于稀疏特征挑选和概率线性判别分析的表情识别研究

更新时间：2019-12-24 18:16:46 大小：2M 上传用户：守着阳光1985查看TA发布的资源 标签：表情识别 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

提出一种基于稀疏特征挑选(Sparse selection)和概率线性判别分析(Probabilistic linear discriminant analysis)的表情识别方法 SS-PLDA.该方法由两部分构成:第一部分是使用稀疏的方法挑选出人脸与表情相关的区域,构造表情的完备特征集;第二部分是针对构造的表情完备特征集里仍含有一些其他信息,运用概率线性判别分析实现表情特征与干扰信息的分离,学习出一个只含有表情信息的子空间,最后基于该表情子空间进行表情识别分析.通过在CK+和JAFFE这两个数据库上面的实验,证实了基于稀疏特征挑选的方法可以得到识别性能的改善,且先使用特征挑选再对所挑选结果应用概率线性判别分析可以达到更好的提升效果.


部分文件列表

文件名 大小
基于稀疏特征挑选和概率线性判别分析的表情识别研究.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
7
Vol． 46 No． 7  
Jul． 2018  
第
期
电
子
学
报
2018  
7
ACTA ELECTRONICA SINICA  
年
月
基于稀疏特征挑选和概率线性  
判别分析的表情识别研究  
， ，  
张 瑞 蒋晨之 苏剑波  
(
，
上海交通大学自动化系系统控制与信息处理教育部重点实验室 上海  
200240)  
:
( Sparse selection)  
( Probabilistic linear discriminant a-  
和概率线性判别分析  
摘
要
提出一种基于稀疏特征挑选  
nalysis)  
SS-PLDA．  
:
该方法由两部分构成 第一部分是使用稀疏的方法挑选出人脸与表情相关的区域  
，
的表情识别方法  
; ，  
构造表情的完备特征集 第二部分是针对构造的表情完备特征集里仍含有一些其他信息 运用概率线性判别分析实现  
，
，
．
表情特征与干扰信息的分离 学习出一个只含有表情信息的子空间 最后基于该表情子空间进行表情识别分析 通过  
CK + JAFFE ， ，  
这两个数据库上面的实验 证实了基于稀疏特征挑选的方法可以得到识别性能的改善 且先使用特  
在
和
．
征挑选再对所挑选结果应用概率线性判别分析可以达到更好的提升效果  
:
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
人脸表情识别 稀疏 特征挑选 子空间学习  
:
TP391. 4  
:
A
: 0372-2112 ( 2018) 07-1710-09  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 07． 024  
文献标识码  
文章编号  
电子学报  
Expression Recognition Based on Sparse Selection and PLDA  
ZHANG Rui，JIANG Chen-zhi，SU Jian-bo  
( Ministry of Education Key Laboratory of System Control and Information Processing，  
Department of Automation，Shanghai Jiao Tong University，Shanghai 200240，China)  
Abstract: A facial expression recognition method named SS-PLDA is proposed based on Sparse Feature Selection  
and Probabilistic Linear Discriminant Analysis． The SS-PLDA method contains two steps: 1) pick out the most discrimina-  
tive regions for facial expressions and use these regions to construct a complete facial features set; 2) apply Probabilistic Lin-  
ear Discriminant Analysis Method to separate the useful expression signals from other disturbance information． Therefore，a  
subspace which only contains expression information is learnt and the expression recognition task is implemented in this sub-  
space． Experimental results on Cohn-Kanade( CK + ) database and JAFFE database show that the complete facial features set  
can improve the performance，and the proposed method outperform the state-of-art ones．  
Key words: facial expression recognition; sparse; feature selection; subspace learning  
． Ekman  
征的表达性  
发现同一面部表情所引起的面部肌  
1
引言  
， 、  
肉的运动具有一定的规律性 这种规律不受年龄 性别  
、 、  
人脸表情作为人的意图 认知活动 情感状态等重  
， :  
等其他因素的影响 并定义了六种基本表情类别 愤怒  
、
，
要的外在表现 在人机交互  
( HCI) 、 、  
安全驾驶 健康监护  
、
、
、
．
，Ekman  
厌恶 恐惧 高兴 悲伤和惊讶 在此基础上  
以面  
( Fa-  
这套编码系统在表  
情识别领域被广泛应用 面部活动单元的检测效果依  
Whitehill  
［1，2］  
．
，
近年来 表情  
和测谎等诸多方面有着广泛的应用  
部活动单元为单位提出了面部活动单元编码系统  
．
识别也成为研究的热点吸引了大批的学者 表情识别  
［5］  
cial Action Coding System，FACS)  
，
［3，4］  
，
一般分为静态图片表情识别和动态序列表情识别  
．
其中静态图片的表情识别是动态序列表情识别的基  
，
赖于面部特征点的定位的准确性 而  
的研究  
， : 、  
础 通常由三部分构成 图像预处理 特征提取以及预测  
［6］  
结果 表明面部特征点的精确定位甚至比表情识别自  
，
分类 人脸表情识别的结果很大程度上依赖于所提特  
． ，  
身更具有挑战性 因此 大部分已有的图像表情特征提  
: 2017-03-21;  
: 2018-03-04; :  
责任编辑 李勇锋  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61533012，No． 91748120，No． 61521063)  
1711  
7
:
瑞 基于稀疏特征挑选和概率线性判别分析的表情识别研究  
第
期
张
．
取算法都是基于几何形状或者外貌纹理特征 基于几  
， ．  
特征挑选 选出表情的完备特征集 在该表情完备特征  
［7 ～ 9］  
，
何模型的研究  
使用脸部的特征点集这一形状模型  
集中所包含的大量信息是与表情相关的 因此后面使  
用简单的线性子空间学习方法就能把表情空间很好地  
，PLDA  
，
来分类表情 然而这种方法通常也需要脸部特征点的  
， ，  
精确检测 一般很难实现 而且对于不同的人其特征点  
．
学习出来 稀疏特征挑选是对表情特征的粗挑选  
，
间的相对距离并不相同 这使得模型的泛化能力较差  
．
． ，  
方法是对表情特征的精挑选 经过这两步 一个单纯含  
［10 ～ 15］  
HOG、Gabor  
LBP  
等
基于纹理模型的研究  
使用  
及
，
，
有表情的子空间被学习出来 在识别阶段 本文使用基  
于贝叶斯的方法计算两幅人脸图中的表情在表情空间  
kNN  
，
纹理特征来表征全局或局部的表情特征 纹理特征一  
，
般具有高维度的特点 相对几何特征而言具有更好的  
，
，
中的似然值 将该似然值作为距离度量 应用  
分类  
．
鲁棒性 然而这些优点所带来的代价是计算的复杂度  
．
器输出识别结果  
，
( PCA  
升高 因此这种方法常常与一些降维方法  
或者  
，
最终的分类过程将在学习到的低  
2
相关内容  
［16，17］  
LDA)  
一起使用  
．
维子空间中进行 虽然基于纹理信息的方法具有更高  
2． 1  
稀疏特征区域挑选  
，
的时间和空间复杂度 但因其提取的表情特征信息更  
Sparse  
本文中稀疏特征区域挑选的方法 是 基 于  
［18］  
［24］  
．
具有表达性而成为更流行的方法  
Group Lasso  
，
Lasso  
Group Lasso  
的一种扩  
该方法是  
展 优化过程中同时实现了组内和组间的稀疏性 具体  
而言就是未被选中的特征组对应的系数均为零而被选  
和
［15，18 ～ 20］  
，
很多研究表明  
表情识别任务比使用所有人脸区域更有效 这也和面  
( FACS)  
选择部分人脸区域来进行  
，
．
，
部活动单元编码系统  
认为表情由面部的各种运  
，
中的特征组部分系数为零 这样就同时进行了特征组  
． ［15］  
动单元构成是一致的 文献 使用基于人脸局部区  
．
的选取 和 组 内 特 征 的 选 取 下 面 分 别 介 绍  
Lasso  
和
， ［16］ LBP  
域的词袋模型 文献 使用了一种基于局部 特  
Group Lasso  
．
的数学表达形式  
L
范数正则化  
．
征级联的方法给每个小的人脸区域赋相应的权重值  
2． 1． 1  
1
［18］  
文献 按照先验的知识选取与表情对应的特定人脸  
L
Lasso，  
由于具有很强的理论  
范数正则化也称为  
1
．
区域  
，
支持 现有绝大部分关于稀疏学习的工作都是基于  
L
1
PCA  
LDA  
传统的子空间学习算法如  
以及  
均是假  
， 、 、  
范数正则化 如线性回归 主元分析 偏最小二乘稀疏模  
［21］  
，
设数据的噪声是符合高斯分布  
真实的数据噪声大  
．
，
型的引导 稀疏模型即对原有模型的参数作稀疏约束  
( 1)  
所
，
多数情况不满足标准高斯分布 这样学习到的子空间  
L
．
表现出来就是原有模型加  
范数正则化 如式  
1
．
仍然是含有很多噪声的空间 基于因子 分 析 的 概率  
，f( X; w)  
， X  
为待求解模型 其中 为输入模型的数据  
，w  
示
LDA  
，
可以同时对信号子空间和噪声子空间进行学习  
．
为模型的参数  
［22］  
文献 使用概率  
LDA  
、
的方法进行含有姿态 光照等  
min f( X; w) +  
w
w
( 1)  
λ
1
，
较多噪声影响的人脸识别 学习到了身份子空间和含  
2． 1． 2 L /L  
1
范数正则化  
q
、 ，  
有姿态 光照等干扰的噪声子空间 在身份子空间进行  
，
L
由于应用需求不同 在机器学习和统计分析中  
L /L ． L /L  
范数正  
q
1
． ［23］  
人脸识别显著提高了识别率 文献 使用相关的多  
范数正则化被扩展为  
则化 属 于 复 合 绝 对 值 惩 罚 簇  
penalties( CAP) family) ， q ＞ 1 ，L /L  
范数正则化  
1
q
1
，
因子分析的方法进行抗年龄干扰的人脸识别 最终学  
( the composite absolute  
范数正则化  
，
习到一个身份子空间和一个年龄子空间 通过学习到  
当
时
1
q
．
的子空间既可以做身份识别也可以做年龄识别  
PLDA  
．
能够求解出以组为单位的稀 疏 解 如式  
( 2)  
，f  
所 示  
本文提出稀疏特征挑选下的  
人脸表情分析  
( X; w)  
， X  
为待求解模型 其中 为输入模型的数据  
，w  
( SS-PLDA) ， :  
该方法由两部分组成 稀疏特征挑选和  
，w  
i
为权重的第 个分组以及 α 为相应  
i
为模型的参数  
Gi  
PLDA  
． PLDA  
，
是一种生成模型 每一张人脸图  
表情分析  
．
组的权重  
( ，  
片可以认为由表情部分和其他信息部分 身份 年龄  
9
min f( X; w) +  
w
w
( 2)  
λ∑α  
i
Gi  
2
) ， ，  
等 加随机噪声生成的 当进行表情识别时 其他信息  
i = 1  
2． 1． 3  
L
L /L  
范数与 范数组合  
q
，
和噪声可以表示为非表情部分 仅使用表情相关部分  
1
1
Sparse Group Lasso  
L
是一种 范数与  
1
本文所使用的  
．
来进行表情识别任务有更好的泛化性能 基于表情样  
L /L  
1
，
范数组合的正则化方法 其目标是同时进行了特  
，
本的数量不是很大以及简化求解过程的原因 本文使  
q
，
征组的选取和组内特征的选取 一般具有如式  
( 3)  
．
用线性空间来描述表情空间和噪声空间 原始的人脸  
形式  
(
) ．  
，
、
、
，
其中符号表示的意义与上述相同  
图片含有丰富的信息 如身份 表情 年龄等 仅使用简  
单的线性空间可能无法很好地将表情空间完全学习出  
PLDA  
9
min f( X; w) +  
w
+
( 3)  
λ
λ
α
w
∑
i
w
1
2
1
Gi  
2
．
，
来 因此 在进行  
人脸表情分析之前先使用稀疏  
i = 1  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号