基于变阈值局部二值模式的人脸表情识别方法的研究毕业设计

《基于变阈值局部二值模式的人脸表情识别方法的研究毕业设计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、目录摘要IABSTRACTII第一章绪论1第一节课题研究背景及意义1第二节本论文的主要工作7第二章人脸图像分析技术常用方法8第一节人脸检测常用方法8一、基于特征的方法9二、基于支持向量机的方法9第二节人脸识别常用方法10一、基于特征脸的识别方法10二、弹性图匹配方法10三、基于非线性数据降维的方法11第三节本章小结12第三章局部二值模式（LBP）13第一节关于LBP的介绍13第二节LBP方法的优点与不足20第三节本章小结20第四章变阈值局部二值模式21第一节变阈值局部二值式的定义与性质21第二节基于变阈值局部二值模式的纹理特征提取24第三节本章小结25第五章基于变阈值局部二值式人脸表情识

2、别的实现及实验结果26第一节基于变阈值局部二值式的人脸表情识别的实现2641第二节实验讨论变阈值ε的调整27第三节实验设计与结果分析28第四节总结与展望31一、总结已有工作31二、对未来的展望31致谢32参考文献3341摘要作为智能化人机交互技术中的一个重要组成部分，人脸表情识别越来越受到重视，它是涉及模式识别、机器视觉、图像处理、心理学等研究领域的一个极富挑战性的交叉课题之一，是近年来模式识别与人工智能领域的一个研究热点。一般而言，人脸表情识别主要有四个基本部分组成：表情图像获取、表情图像预处理、表情特征提取和表情分类。本文重点集中在对表情特征提取问题的研究上，研究工作如下：本文提出了

3、一种LBP的扩展形式，即变阈值局部二值模式。变阈值局部二值模式通过引入变阈值ε扩展了变换后的特征空间，并且可以通过调整变阈值ε的值在特征空间基于改进LBP的人脸表情识别方法中寻找适合于特定分类问题的子空间。经过改进，变阈值局部二值模式对于噪声和光照变化相对于LBP更加鲁棒，而且特征抽取的过程也能够相对灵活。最后本文以变阈值局部二值模式直方图作为特征向量，采用2概率统计来计算各特征向量的距离，选用最近邻分类器进行特征分类，求出识别率。我们使用matlab语言将上述算法应用于人脸表情识别，取得了较好的识别效果。关键字：人脸表情识别，特征提取，LBP，变阈值局部二值模式41ABSTRACTAs

4、animportantpartofthetechnologyforman-machineinteraction,moreandmoreattentiontofacialexpressionrecognition．Itisoneofthemostchallengingproblemsinthefieldsofpatternrecognition,machinevision,imageprocessingandpsychology,andithasbecomeahotresearchtopicinthefieldofpatternrecognitionandartificialintelli

5、genceinrecentyears．Generallyspeaking，facialexpressionrecognitionincludedfourparts：expressionimageacquisition,expressionimagepreprocessing，facialfeatureextractionandexpressionclassification．Inthisthesiswefocusedontheproblemoffacialfeatureextraction.Myprimaryworkwassummarizedasfollow：ThisimprovedLB

6、Piswecalledlocalthreshold．Localthresholdextendsthefeaturespacethroughtheintroductionofparameterchangeablethreshold,andcanfindasuitableforaparticularclassificationbyadjustingthevalueofchangeablethresholdinthefeaturespace．LocalthresholdismorerobusttoLBPfornoiseandilluminationchanges，andfeatureextra

7、ctionprocesscanalsoberelativelyflexible．Finallyweuselocalthresholdhistogramasfeaturevectors，using2probabilitystatisticstocalculatethedistancebetweeneachfeaturevectors，choosingthenearestneighborclassifierforfeatureclass