基于Gabor小波和SVM的人脸表情识别算法
基于Gabor小波和SVM的人脸表情识别算法
作者：陈亚雄
来源：《现代电子技术》2011年第20期
摘要：针对包含表情信息的静态图像，提出基于Gabor小波和SVM的人脸表情识别算法。根据先验知识，并使用形态学和积分投影相结合定位眉毛眼睛区域，采用模板内计算均值定位嘴巴区域，自动分割出表情子区域。对分割出的表情子区域进行Gabor小波特征提取，在利用Fisher线性判别对特征进行降维，去除冗余和相关。利用支持向量机对人脸表情进行分类。用该算法在日本表情数据库上进行测试，获得了较高的识别准确率。证明了该算法的有效性。
关键词：Gabor小波变换；表情特征提取； Fisher线性判别；支持向量机
中图分类号：TN919-34 文献标识码：A
文章编号：1004-373X(2011)20-0001-04
Facial Expression Recognition Algorithm Based on Gabor Wavelet Automatic Segmentation and SVM
CHEN Ya-xiong
(Department of Electronics and Information, Northwestern Polytechnical University, Xi’an 710072, China)
Abstract： A facial recognition algorithm based on Gabor wavelet and SVM is proposed in allusion to static image containing expression Information. The mathematical morphology combined with projection is adopted to locate the brow and eye region, and the calculating mean value in template is employed to locate the mouth region, which can segment the expression sub-regions automatically. The features of the expression sub-regions are extracted by Gabor wavelet transformation and then effective Gabor expression features are selected by Fisher linear discriminate (FLD) to deduce the dimension and redundancy of the features. The features are sent to support vector machine (SVM) to classify the different expressions. The algorithm was tested in Japanese female expression database. It can get a high precision of recognition. The feasibility of this method was verified by experiments.
Keywords： Gabor wavelet transform; expression feature extraction; Fisher linear discriminant (FLD) analysis; support vector machine (SVM)
收稿日期：2011-05-11
基金项目：西北工业大学2011年度研究生创业种子基金资助项目(Z2011090)
0 引言
人脸表情识别是指从给定的表情图像或视频序列中分析检测特定的表情状态，进而确定被识别对象的心理情绪。人脸表情识别技术在心理学研究、图像理解、合成脸部动画以及新型人机交互等领域有着重要的应用价值。
人脸表情识别一般包括3部分：脸部定位、脸部特征提取和表情分类。该研究的一个难点就是如何提取出完整、鲁棒、紧凑且富有区分性的表情特征，以提高分类的准确程度。近年来出现了很多识别静态图像表情的方法：文献［1］中提出了一种基于模板的表情识别方法；文献［2］中将Gabor小波(或独立成分分析)和支持向量机(Support Vector Machine，SVM)结合起来识别面部表情；文献［3］利用Gabor小波和BP神经网络分类表情；文献［4］使用隐马尔科夫模型进行表情识别；然而，这些方法或者需要人工定位很多面部关键点，不能实现自动化识别，或者识别率较低。
本文首先对静态表情图像进行预处理，然后分割出表情子区域，接下来采用Gabor小波变换从人脸图像眼部和嘴部子区域提取特征，并引入Fisher线性判别分析(Fisher Linear Discriminant Analysis，FLD)算法进行特征选择，再以支持向量机为基础构造分类器识别表情，得到了很好的效果。
1 图像预处理
表情特征提取的目标是提取出能很好表征表情变化的特征。在进行特征提取之前，需要对输入的表情图像进行预处理，包括去噪、人脸检测、人脸区域几何归一化、灰度归一化以及表特征区域的定位。
人脸表情识别首要的工作就是人脸图像的分割，本文手动分割出人脸区域，并几何归一化为120×150个像素大小。经观察发现，人脸表情特征分为两类：持久性表情特征和瞬态表情特征。持久性表情特征决定基本的表情状态，包括嘴巴、眼睛和眉毛；瞬态表情特征包括脸颊和额角皱纹的瞬间变化，能在一定程度上揭示表情状态。实验表明［5］，嘴角形状对表情的影响最大，其次是眼睛和眉毛。而皱纹变化属于动态特征，且受年龄等因素影响较大，容易会对表情识别产生不利影响。因此表情识别应重点提取嘴巴、眼睛和眉毛等局部区域的表情特征，并忽略皱纹的变化。因此文在提取表情特征之前需要自动定位和分离出持久性表情特征子区域。
1.1 眉毛眼睛区域的提取