多特征多分类器优化匹配的人脸表情识别

摘要：

针对主成分分析(Principal Component Analysis, PCA)降维过程中由于特征值相对集中而造成维数仍然偏高的不足，本文提出了基于最优样本的主成分分析(Optimal Sample-PCA, OS-PCA)降维方法。OS-PCA通过选择训练样本、优化协方差矩阵，从而达到进一步降维的目的。鉴于离散余弦变换(Discrete Cosine Transform，DCT)对光照的鲁棒性，以及局部二值模式(Local Binary Patterns，LBP)对局部纹理特征的有效描述，本文结合DCT和LBP特征来弥补单一OS-PCA特征在人脸表情表征方面的局限性。为了更好地发挥特征与分类器的协作优势，文章构造了一个三层多分类器最优集成的人脸表情识别模型。该模型首先对表情图像进行预处理操作；然后提取 OS-PCA、DCT 和 LBP 特征送入三层模型；最后基于单一特征和相应单一分类器的最佳匹配组合，完成多特征与多分类器的最优集成；在执行粗分类结果投票表决的基础上，进一步对仍有分歧的表情图像进行自适应决策，从而得到最终识别结果。实验表明，OS-PCA较PCA进一步有效地降低了特征维数；同时，基于多特征多分类器的三层识别模型在JAFFE和CK库上分别获得了高于95%和96%的识别率，并表现出比较优越的时间性能。

关键词：表情识别、主成分分析、多分类器最优集成、自适应决策

所属期刊栏目：43

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学青年基金项目61300119；国家自然科学基金重点项目61432004

在线出版日期：2016-04-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：73-79