论文总字数：16725字

摘 要

人脸表情识别作为一个繁琐的模式识别问题在服务反馈以及病人情绪监控方面有着重要的研究意义，是在人脸识别的基础上衍生出的新的研究方向。采用SVM进行分类要经过以下几个过程：图像灰度化、边缘检测、图像特征值提取、支持向量机分类。图像预处理需要应用MATLAB软件中的图像处理函数，图像特征值需要用到LBP算子和LPQ 算子结合的方法进行提取，得到融合后的LBP/LPQ特征值直方图，最后用SVM进行分类识别。

SVM(Support Vector Machine)是一个有监督的学习模式，是通过一个非线性矩阵p，将样本特征值所在维数较少的空间转至维数更多的空间，使得原样本数据所在空间中的非线性可分问题转化为线性可分。而这一切的实现都离不开核函数的正确选择。核函数的正确选择至关重要，对表情识别的准确率起着决定性的作用。

关键词：LBP LPQ 特征融合 支持向量机SVM 核函数

Research on Face Recognition Based on MATLAB

Abstract

As a complex pattern recognition problem ,Face recognition has important research significance in human-computer interaction, service feedback and patient emotion monitoring, and it is a new research direction based on face recognition. Using facial expressions of SVM to carry out facial expression recognition through the following process: image preprocessing, preprocessing image samples (test samples and training samples) eigenvalue extraction, support vector machine classification. mage preprocessing needs to apply the image processing function in MATLAB software. The image eigenvalues need to be extracted by the combination of LBP operator and LPQ operator. The LBP / LPQ eigenvalue histogram is obtained and finally classified by the SVM.

Support Vector Machine SVM (Support Vector Machine) is a supervised learning model, through a non-linear mapping p, the sample data space is mapped to a higher dimension space, so that the original sample data in the space of the nonlinear separable problem Into a linear separable, and all this can not be achieved without the correct choice of nuclear function. The correct choice of the kernel function is crucial and plays a decisive role in the accuracy of the expression recognition.

Key words: LBP LPQ feature fusion support vector machine SVM kernel function

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 研究背景和意义 1

1.2 人脸表情识别现阶段的探究和发展现状 1

1.2.1 人脸识别概述 1

1.2.2 人脸识别发展的现状 2

1.2.3 人脸表情识别发展现状 3

1.3 论文结构安排 3

第二章 图像预处理 5

2.1 前言 5

2.2图像预处理 5

2.2.1 MATLAB图像处理基本函数 5

2.2.2 图像灰度化处理 7

2.2.3 边缘检测 7

2.3 本章小结 9

第三章 特征提取 10

3.1 LBP特征提取 10

3.1.1 LBP特征的背景介绍 10

3.1.2 LBP特征提取的原理 10

3.2 LPQ特征提取 14

3.2.1 LPQ特征的背景介绍 14

3.2.2 LPQ特征提取的原理 14

3.3 LBP和LPQ特征值的融合 15

3.4 本章小结 18

第四章 人脸表情识别的SVM仿真实现 19

4.1 概述 19

4.2 支持向量机 19

4.2.1SVM的背景介绍 19

4.3 SVM核函数的选择 20

4.3.1 核函数的作用 20

4.3.2 核函数的选择 20

4.4 人脸表情识别的SVM分类 20

4.5本章小结 21

第五章 实验结果与分析 22

5.1 实验结果整体分析 22

5.2 算法识别错误情况分析 22

第六章 总结与展望 24

6.1 本文所做工作总结 24

6.2 进一步的研究工作 24

参考文献 25

致谢 27

第一章 绪论

1.1 研究背景和意义

人脸识别是一种通过定位人脸，分析人脸面部特征以达到身份鉴别目的模式识别技术。近年来人脸识别方面的研究受到研究人员的广泛，取得了不错的成果，识别领域的多种方法在都很适合用于这方面的研究，许多新的好方法陆续被提出，为人脸识别研究提供了强大的技术支持。人脸识别是把图像中的人脸部分从图像中分割出来并获取五官相对位置。人脸轮廓的无规律性和光照的复杂性，大大限制了当前的人脸研究算法的发展，使得当前的人脸研究算法非常具有局限性。因此对于现实生活（图像和视频）中方位和光照不固定的人脸，识别难度是难以想象的。

在人脸识别的研究领域中，人脸表情分析已然成为了一个炙手可热的项目。人脸表情识别在之前的研究中，一直被当成人脸识别的辅助研究，是为了剔除人脸表情变化对人脸识别准确度的影响而研究的。但是，一些学者发现人脸表情识别探索的价值远不止这些，人脸表情识别在人机交互中的作用是无可替代的。因此，对人脸表情识别的探究非常具有挑战。

1.2 人脸表情识别现阶段的探究和发展现状

请支付后下载全文，论文总字数：16725字