一个新颖的方法来面对模式识别和照明

文摘

提取面部特征是面部表情识别的关键步骤(带)。经常不准确的特征提取结果错误分类的面部表情。特别是在机器人应用程序中,环境因素如光照变化可能导致带系统提取功能不准确。在本文中,我们提出一个健壮的面部特征点提取方法识别面部表情在不同的照明条件。提取面部特征之前,脸是本地化和分段数字化图像帧。人脸预处理阶段由归一化和功能区域定位措施有效地提取面部特征。地区的利益确定相应的相关特性,基于伽柏伽柏飞机应用小波变换提取面部点。伽柏飞机比灰度值不变的和可靠的,它受到歧义以及光照变化而代表地方特色。该算法有两个优点只有一个面对训练图像需要使用面部块特征训练分类器较低的数据维度,提出系统更多的计算效率。这个拟议的工作的主要目的是提高人脸识别系统的准确性使用多个训练图像。

关键字

面部表情识别,Ada提升分类器,动态贝叶斯网络,伽柏变换。

介绍

面部活动的跟踪和识别从图片或视频在计算机视觉领域引起了极大关注。经济复苏的面部活动图像序列是一个重要的和具有挑战性的问题。近年来,大量的计算机视觉技术已经开发跟踪或识别面部活动三个层次。首先,在底部水平,面部特征跟踪,通常检测和跟踪突出的面部特征点(即。周围,面部地标)(即面部组件。,mouth, eyebrow, etc.),captures the detailed face shape information.

第二,面部表情识别,即。,recognize facial Action Units (AUs) defined in the Facial Action Coding System (FACS), try to recognize some meaningful facial activities (i.e., lid tightener, eyebrow raiser, etc).In the top level, facial expression analysis attempts to recognize facial expressions that represent the human emotional states. The facial feature tracking, AU recognition and expression recognition represent the facial activities in three levels from local to global , and they are interdependent problems. For example, facial feature tracking can be used in the feature extraction stage in expression/AUs recognition, and expression/ AUs recognition results can provide a prior distribution for facial feature points.However, most current methods only track or recognize the facial activities in one or two levels, and track them separately, either ignoring their interactions or limiting the interaction to one way. In addition, the estimates obtained by image-based methods in each level are always uncertain and ambiguous because of noise, occlusion and the imperfect nature of the vision algorithm.In this paper, Dynamic Bayesian Network (DBN) are used to capture the facial interactions at different levels. In particular, not only the facial feature tracking can contribute to the expression/AUs recognition, but also the expression/AU recognition helps to further improve the facial feature tracking performance.

人脸识别

人脸识别是伽柏小波最重要的应用之一。脸图像卷积的伽柏集小波和由此产生的图像进一步处理识别的目的。伽柏小波通常称为伽柏过滤器的应用的范围。有各种提议的方法大致可以分为分析和整体的方法。面对的一些特征点检测,特别是重要的面部等标志性建筑的眼睛,鼻子和嘴巴。这些检测到的点被称为基准的点,这些点的局部特征提取,这些点之间的距离和角度,从定量措施用于人脸识别。与使用信息只能从关键特征点,整体的方法从整个脸部图像提取特征。标准化在脸的大小和旋转是一个非常重要的预处理使识别健壮。eigenface基于主成分分析(PCA)和费舍尔面对基于线性判别分析(LDA)是两个最了解的整体方法。

相关的工作

一个。面部特征跟踪

面部特征点编码关键信息脸型,脸型变形。面部特征点的精确定位和跟踪很重要的应用,如动画,计算机图形学中,等。一般来说,面部特征点跟踪技术可以分为两类:自由模型和基于模型的跟踪算法。模型自由方法通用点追踪器没有对象的先验知识。每个功能点通常是探测和跟踪分别通过执行的本地搜索最佳匹配位置。然而,模型自由方法容易受到不可避免的追踪错误由于孔径问题,噪音,和闭塞。

基于模型的方法,如主动形状模型(ASM),活动外观模型(AAM),直接外观模型(坝)等,另一方面,重点明确建模对象的形状。Cootesetal提出的ASM是一个流行的基于模型的统计方法来表示可变形物体,形状是由一组特征点。特征点第一次单独搜索,然后主成分分析(PCA)应用于分析形状变化,这样的模型对象形状只能在特定的变形方法在训练数据中找到。健壮的参数估计和Gabor小波也被用于ASM,提高特征点搜索的鲁棒性和准确性。麦和大坝随后提出结合约束形状变化和结构变化。在传统的统计模型,例如ASM,特征点位置更新同时(或投影)。直观地说,人类面临着一个复杂的结构,一个简单的并行机制可能不是足够描述面部特征点之间的相互作用。

b表达/来自认可

面部表情识别系统通常试图识别六表达式或澳大利亚。在过去的几十年中,已经有大量研究面部表情分析。在这个领域当前的方法可以分为两类:基于图像的方法和基于模型的方法。基于图像的方法,专注于识别通过观察面部表情代表面部外观变化,通常试图表达或来自独立和静态进行分类。这种方法通常包括两个关键阶段。首先,不同的面部特征,如光流,显式特性测量(例如,长度的皱纹和眼开度),哈雾功能,局部二值模式(LBP)特性,独立分量分析(ICA)提取特征点,伽柏小波等,代表面部动作或面部动作。鉴于提取面部特征,表达式/来自被识别引擎,如神经网络、支持向量机(SVM),基于规则的方法,演算法分类器,稀疏表示(SR)分类器等的共同弱点AUrecognition映像的方法是,他们倾向于承认每个非盟或certainAU组合单独和直接从上图为静态数据,忽略语义和动态relationshipsamong来自,尽管其中一些分析temporalproperties面部特征,基于模型的方法克服这一弱点利用来自之间的关系,同时认识到来自。

C。同时跟踪/识别面部活动

跟踪与识别相结合的想法已经被尝试过,如同时面部特征跟踪和表情识别和整合脸跟踪视频编码。然而,在这些作品中,面部特征跟踪和面部表情识别之间的交互是单向的,即、面部特征跟踪的结果是美联储的面部表情识别。没有识别结果的反馈跟踪面部特征。最近,Dornaika等人,陈记改善面部特征跟踪性能,包括面部表情识别的结果。然而,在同时面部动作和表情识别跟踪头部运动的存在,他们只是模仿六表情和他们需要重新培训模型为一个新的主题,而在一个层次框架,同时面部活动跟踪,他们代表所有上面部动作单元在一个向量节点,以这样一种方式,他们忽略了来自之间的语义关系,这是一个关键的点改善非盟识别精度。

提出了系统

一个。面部活动模型

动态贝叶斯网络是一个有向图形化模型,DBN更一般的捕获变量之间的复杂关系。具体来说,全球的面部表情主要原因产生某些非盟配置,进而引起局部肌肉运动,因此特征点运动。例如,全球面部表情(e.g.Happiness)决定了非盟配置,进而决定了面部肌肉运动,因此面部特征点的位置。对于顶级的面部表情,我们将专注于识别六种基本面部表情,即。、快乐、惊讶、悲伤、恐惧、厌恶和愤怒。尽管心理学家同意目前有10个基本的人类情感,最新的面部表情识别的研究主要集中在六大情绪,部分是因为他们是最基本的,文化和民族独立的表情和部分因为大多数当前的面部表情数据库提供了六个情感标签。

拟议的面部活动识别系统主要包括两个阶段:离线面部活动模型建设和在线面部运动测量和推理。具体地说,使用训练数据和主观的领域知识,面部活动模型离线。在在线识别,使用各种计算机视觉技术来追踪面部特征点,并得到测量面部动作,即。,来自。然后使用这些测量作为证据推断出的真实状态三个级别的面部活动同时进行。

b .伽柏面孔的小波表示

Daugman广义伽柏函数如下2 d形式以模型接受领域的方向选择性简单的细胞:

输入面图像和伽柏滤波器的振幅响应如图2所示。所使用的一种技术在文献中基于伽柏人脸识别是基于使用的反应代表面部地形网格编码的脸。而不是使用图形节点,high-energized点可用于比较,这项工作的基础。这种方法不仅降低了计算复杂度,而且提高了性能的遮挡。

C。Ada提高分类器

提高方法结合弱分类函数的集合形成更强的分类器(弱学习者)。演算法是一种自适应算法来提高分类器的序列。演算法是一种分类器。弱分类器简单来说是一个分类的决策规则测试示例作为一个积极的或消极的样本。这些弱分类器的加权线性组合形成一个强分类器,检测性能有所改善。相对应的提高过程有两个阶段培训和检测。在训练阶段一个非常大的标签样品用于识别性能更好的弱分类器,和一个强分类器网络是由这些弱分类器的加权线性组合。训练阶段的输出是一个受过训练的分类器网络,可用于检测阶段分类样本看作是积极的还是消极的。增加的想法是将一组简单的规则或弱分类器形成一个整体,这样一个乐团成员的性能改善。例如给一个家庭的弱分类器和一组训练数据组成的正负样本,演算法的方法可以用来选择弱分类器分类功能的一个子集。演算法不需要先验知识,没有信息时需要面对的结构或功能用于人脸检测。给定一组训练样本和弱分类器的推动过程中自动选择最优特性集和分类器函数。The approach is adaptive in the sense that misclassified samples are given higher weight in order to increase the discriminative power of the classifier. As a result, easily classified samples are detected in the burst iteration and have less weight and harder samples with higher weights are used to train the later iterations.The theoretical training error converges to zero as proved by Freund and Schapire (1995). The training for a set of positive and negative samples reaches zero after a finite number of iterations. Given a feature set

T = {(x1, y1), (x2, y2), (x3, y3)。}

其中ξ是训练样本和易建联是一个二进制值的示例类(1是正的,0负)。最终提高了分类器网络是由给定特征的子集后任意数量的迭代方程所示。

其中t是重量分配到t分级机,ht是分类器的决定。演算法训练是一个迭代的过程和最终的分类器函数的准确性取决于迭代次数和培训是否在有限数量的迭代误差收敛于零。分类器训练如下中提琴等。

给出示例图像(x1;y1), (x2);y2)…(xn;yn)易= [0;1)分别为正面和负面的样本。

初始化权重w1; i = 1 / 2米;1 / 2 l易= [0;1]分别,m和l分别的正面和负面的样本数量。

实验结果

在实验结果显示两个条件一是照明条件另一个面部表情状态。测试图像和等效图像光照的图像显示在图。

原始图像的识别率是97.8042。原始图像和测试图像旋转实现原始的测试图像。

照明

测试图像和等效图像的面部表情图像显示在图。面部表情识别率是97.8033。图为参数比例和主题之间的比例。四个样品用于构造情节。这四个样品是假阴性,真阳性(感性),真阴性(特异性),假阳性。敏感性测试是正面的概率是不健康数据。特异性的概率是对健康数据测试是负的。

结论

在本文中,我们提出了一个分层框架基于动态贝叶斯网络同时面部特征跟踪和面部表情识别。通过系统地表示和建模国际米兰不同级别的面部活动之间的关系,以及演化信息,该模型取得了显著改善面部特征跟踪和非盟的认可。改进的面部特征点和来自主要来自面部动作模型结合图像测量。具体来说,错误的面部特征可以有效地补偿测量和非盟测量模型的内装的不同级别的面部活动之间的关系,和内置时间关系。因为我们的模型系统的捕获和结合了图像测量的先验知识,通过改进基于图像的计算机视觉技术,我们的系统可以实现更好的结果几乎没有对模型所做的变更。在本文中,我们评估我们的模型构成表达数据库从正面看图片。在未来的工作中,我们计划引入严格的头部动作,即。,头部姿势,到模型来处理多视图的面孔。

引用

1. m . Valstar和m . Pantic”全自动识别面部的时间阶段的行为,“IEEE反式。系统。,Man, Cybern. B, Cybern., vol. 42, no. 1, pp. 28–43, Feb. 2012.
2. Gevers h . Dibeklioglu A . A .沙拉和t,“二维面部具有里程碑意义的统计方法,IEEE反式。图像的过程。,vol. 21, no. 2, pp. 844–858, Feb. 2012.
3. l .张和d . Tjondronegoro“面部表情识别使用面部运动特性,IEEE反式。Affect.Comput。,卷2,不。4页。219 - 229年10 - 12月。2011年。
4. j .陈和问:霁”层次框架,同时面部活动跟踪、“Proc, IEEE Int。相依奥特曼。面对Recognit姿态。,Mar. 2011, pp. 679–686.
5. s . Koelstra m . Pantic,佩特雷,“动态texture-based方法识别面部的行为和他们的时序模型,“IEEE反式。模式肛门。马赫。智能。,vol. 32, no. 11, pp. 1940–1954, Nov. 2010.
6. y, j·陈,问:,“一个统一的概率框架建模和理解无意识的面部活动,“IEEE反式。模式肛门。马赫。智能。,vol. 32, no. 2, pp. 258–273, Feb. 2010.
7. f . Dornaika和f . Davoine”,同时面部动作和表情识别跟踪头部运动的存在,“Int。j . Comput.Vis。,卷76,不。3、257 - 281年,2008页。
8. y, w·廖,问:,“面部动作单元识别利用动态和语义关系,“IEEE反式。模式肛门。马赫。智能。,vol. 29, no. 10, pp. 1683–1699, Oct. 2007.
9. 朱y, y, z,问:,“健壮的面部特征跟踪下不同姿势和面部表情的脸,“Recognit模式。,40卷,不。11日,第3208 - 3195页,2007年。
10. 赵和m . Pietikainen“动态纹理识别与应用程序使用局部二进制模式面部表情,“IEEE反式。模式肛门。马赫。智能。,vol. 29, no. 6, pp. 915–928, Jun. 2007.