Kappa加权的子空间融合表情识别方法

为提高面部表情识别效果,提出基于Kappa计算面部表情图像子区域对表情的贡献程度,并线性加权子空间预测结果.将标准化后的人脸表情图像上下平均分割成2个子区域,确定上半脸和下半脸及全脸3个表情子空间,采用Gabor小波特征,分别利用SMO、MLP和KNN三种分类器,统计并计算基于Kappa的子空间表情信息.在Cohn-Kanade和JAFFE两个表情图像库进行测试,实验结果表明:基于Kappa加权融合的表情识别方法识别率更高.     

基于动态图像序列的表情识别

为提高表情表述能力, 提出建立组合单帧表情空域特征的表情序列联合特征.在分析Gabor小波的不同方向和尺度组合对表情图像表征能力基础上, 确定采用3个方向和2个尺度的Gabor滤波器组提取单帧表情图像特征, 描述表情动作的空域特征.在此基础上, 组合连续表情图像序列的特征, 建立包含表情动作变化过程的联合特征, 解决了利用表情相关的局部空域和时序变化信息建立表情表述模型问题.利用支持向量机 (SVM) 作为分类器分别在JAFFE静态表情数据库和Binghamton动态表情数据库上进行测试, 结果验证了静态图像采用Gabor+PCA特征比PCA特征更具有效性, 表明利用动态表情序列建立表情特征比用静态表情图像具有更高的表情识别正确率.