57结合Gabor特征与Adaboost的人脸表情识别

・995 ・
列向量 ,从而对每幅图像得到 8 × 6× 40 = 1 920 维的 Gabo r 特征向量 。
思想是给训练集中的每个样本对应权重 ,初始时各样 本的权重相同 ,每一轮循环在弱分类器中选出在当前 权重分布下具有最好分类效果的分类器 ,然后根据其 分类结果更新权重 ( 将被错分样本的权重加大 , 以在 下一轮循环中突了这些样本 ) , 再进入下一轮循环 。 最后 ,将每一轮循环所挑选出的弱分类器 , 按照一定 的权重结合 ,构成强分类器 。 Adaboo st 算法略作修改 , 也可用于特征选择 。 只要令每个弱分类器仅对应 1 个特征并根据特征值 的大小来进行分类判断 , 则 Adaboo st 挑选弱分类器 的过程也就是挑选特征的过程 。每一轮循环挑选出 在当前权重分布下具有最佳分类表现的特征 ,每个特 征都是在已经选择出的特征所确定的权重信息前提 下选择出来的 。 参照文献 [ 10 ] 并作修改 , 采用如下的 Adaboo st 特征选择算法 : 给出训练样本 ,共 p 个类别 ( S 1 , …, S p ) , 依次取 其中的两类 S a 、 S b ( a = 1 , …p - 1 ; b = a + 1 , …, p) , 并 记 S a 类的样本为正样本 , S b 类的样本为负样本 , 则 可得到样本子集 ( x 1 , y1 ) , …, ( x n , y n ) , 其中 x i 为特 征向量 , y i = 0 、 1 分别表示负样本和正样本 , n 为 S a 类和 S b 类样本总数 。 1) 初始化样本权重 1/ 2 m , y i = 0 ω 1,i = 1/ 2 l , y i = 1 其中 , m 和 l 分别为负样本和正样本的个数 。置循环 次数 t = 1 。 2) 将权重归一化 ω t, i ω t, i ← n ω t, k ∑
取的特征 ,对于 FER 是最为重要的 。 关键词 : 人脸表情识别 ( FER) ; Gabo r 滤波器 ; Adaboo st ; 特征选择 ; 支持向量机 ( SVM) 中图分类号 : TP391. 44 文献标识码 :A 文章编号 :100520086 (2006) 0820993206
光 电 子 ・激 光
第 17 卷 第 8 期 2006 年 8 月 J our nal of Optoelect ronics ・L aser Vol. 17 No . 8 Aug. 2006
结合 G abor 特征与 Adaboost 的人脸表情识别 3
朱健翔 3 3 , 苏光大 , 李迎春
别率 。 2. 2 G abor 滤波器 Gabor 滤波器作为一种特征提取和图像表征方 法 ,在图像识别 、 图像分析等领域得到广泛的应用 。 Gabor 核函数很好地描述了哺乳动物初级视觉系统 中一对简单视觉神经元的感受特性[ 9 ] ,是唯一能达到 时频测不准关系下界的函数 ,能够在时域和频域中兼 顾对信号分析的分辨率要求 。二维 Gabo r 函数可看 成二维带通滤波器 ,由二维高斯包络对平面波进行调 制而成 ,分为实部和虚部 2 个分量 [ 5 ,6 ] ,即 Gk ( r) = Gk , + ( r) + i Gk , - ( r)
究等 。根据所研究数据的不同 , F ER 算法可以分为 针对多幅图像和针对单幅图像 2 大类 。前者 ,每个表 情变化过程对应有多张图像或者一视频序列 ,可以采 用诸如特征跟踪 [ 1 ] 、 图像差分[ 2 ] 和光流估计[ 3 ] 等方法 来提取特征 ,并结合时间维的信息进行识别 ; 而后者 , 每个表情变化过程只有 1 张对应图像 ,可利用的信息
Facial Expression Recognition Based on G abor Feature and Adaboost
ZHU J ian2xiang 3
100084 ,China)
3
, SU Guang2da , L I Ying2chun
( Instit ute of Image and Grap hics , Depart ment of Elect ronic Engineering , Tsinghua U niversity , Beijing
在提取人脸图像的 Gabor 特征时 , 通常采用多 个在不同尺度和方向上的 Gabor 滤波器组成滤波器 组 ,并根据图像的特点和神经生理学的结论 [ 9 ] 来选择 参数 。本文采用了共包含有 5 个尺度 ( kmax =π/ 2 ;λ
= 2 ; u = 0 , 1 , 2 , 3 , 4 ) 8 个方向 ( n = 8 ; v = 0 , 1 , …, 7 ) 的 Gabor 滤波器组 ,并令 δ=π , 使滤波器的带宽约为 1
"
大致相等的能量 ; 波矢量 k 控制滤波器的空间分辨率 和方向 , 参数 δ控制包络函数的震荡次数 ; 由于虚部 分量具有零均值而实部分量不具有零均值 , 所以要从 2 实部分量中减去 exp ( - δ / 2 ) , 从而使滤波器对图像 全局光照变化不敏感 。
2. 3 G abor 特征提取

© 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved.
第8期 朱健翔等 : 结合 Gabor 特征与 Adaboo st 的人脸表情识别
倍频程 。 将输入图像 I 依次与滤波器组的各个滤波器进 行卷积 , 并取其幅值作为输出 , 即
R k , ±( ro ) = G ∫
k, ±
( r o , r) I ( r) d r , R k =
Rk, + + Rk, ( 4)
22ຫໍສະໝຸດ 设预处理后图像为 M ×N , 通过 40 个滤波器得 到 Gabor 特征的维数高达 40 ×M ×N , 计算量很大 , 且由于 Gabor 特征在相邻像素间是高度相关和冗余 的 ,所以通常只需要稀疏的提取部分节点上的 Gabo r 特征 。本文采用 8 行 6 列规则分布的采样点 ( 图 2 ) , 在采样点上提取各个滤波器输出的值 ,联合起来组成
( SVM) 和最近邻分类法相结合组成分类器进行分类 。该方法综合运用了 Gabor 特征对于人脸表情的
良好表征能力 、 Adaboo st 算法的强大特征选择能力以及 SVM 在处理少样本 、 高维数问题中的优势 。在
J A FF E 库上进行测试的结果验证了该法的有效性 。从 Adaboo st 所选择的特征集可知 ,在眼和嘴区域提
2
( 1)
k 2 2 2 δ ) { co s [ k ( r Gk , + ( r) = 2 exp ( - k ‖r - ro ‖ / 2
δ
2 特征提取
特征提取的目标是提取出能很好地表征表情变 化的特征 。在进行特征提取前 ,通常要对输入图像进 行一些预处理 ,以期尽量保留有用信息 , 并抑制和分 隔外界干扰 。 2. 1 图像预处理 图像的预处理包括人脸特征的定位 、 人脸区域几 何归一化以及灰度归一化 。经过预处理后的图像如 图 1 所示 。
3 收稿日期 :2005210215 修订日期 :2006202221 3 基金项目 : 国家重点攻关资助项目 (2001BA811B07) 3 3 E2mail :zhujx03 @mails. t singhua. edu. cn
© 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved.
Abstract :An approach is propo sed to recognize the facial expre ssion using Ga bor feature and Adaboo st . Since the high2dimensional Ga bor feature vectors are quite redundant ,Ada2 boo st is introduced a s a method of feature s selection. Furthermore ,combined with the nea2 re st distance cla ssifier ,the support vector machine ( SVM) is used for cla ssification. This appro ach take s the advantage s of the favorable ability of Gabor feature in repre senting ex2 pre ssion variability , the effective function of Adaboo st in feature selection , and the high p erformance of SVM in the solution to small sample size ,high dimension pro blems. Exp eri2 ment s with J AFFE show that the appro ach is quite effective . Meanwhile ,the feature set se2 lected by Ada boo st also indicate s that the feature s extracted from eye and mouth regions play the mo st important role in expre ssion recognition.
ro ) ] - exp ( 2
2 δ )} 2
( 2)
k 2 2 2 δ ) sin [ k ( r - ro ) ] Gk , - ( r) = 2 exp ( - k ‖r - ro ‖ / 2