摘 要

近年来，随着计算机识别技术的不断发展，可以识别事物的特征的产品越来越多，人脸表情识别就是其一。人脸表情识别作为机器识别人类情感的桥梁，可促进人机交互的进一步发展，受到科研人员广泛的关注。

本文提出了一种基于主成分分析和支持向量机的表情识别方法。该方法将整个系统分为表情图像预处理、特征提取、识别与分类三个模块，图像预处理模块是将表情数据库图像进行几何归一化和灰度归一化从而提取人脸部分，特征提取模块是利用主成分分析的方法提取出区别不同表情的主要信息，识别与分类模块是建立支持向量机模型，对输入的图像数据或视频数据进行识别分类。本系统可以支持图像识别和摄像头识别两种模式，框出人脸区域，识别出高兴、惊讶、悲伤和平静四种结果，识别率在85%以上。

关键词：表情识别；特征提取；距离测度；支持向量机

Abstract

In recent years, with the continuous development of computer recognition technology, there are more and more products that recognize the characteristics of things, and facial expression recognition is one of them. Facial expression recognition, as a bridge for machines to recognize human emotions, can promote the further development of human-computer interaction and has attracted wide attention from researchers.

This paper proposes an expression recognition method based on principal component analysis and support vector machine. This method divides the entire system into three modules: expression image preprocessing, feature extraction, recognition and classification. The image preprocessing module is to geometrically normalize and grayscale normalize the expression database image to extract the face part and feature extraction. The module uses principal component analysis to extract the main information that distinguishes different expressions. The recognition and classification module builds a support vector machine model to identify and classify the input image data or video data. The system can support two modes of image recognition and camera recognition, frame the face area, and recognize the four results of happy, surprised, sad and calm. The recognition rate is more than 85%.

Key Words: expression recognition; feature extraction; distance measurement; support vector machine

目 录

第1章 绪论 1

1.1 研究目的及意义 1

1.2 国内外研究现状 1

1.3 本论文的主要工作 3

第2章 表情数据库的选取与预处理 4

1.1 人脸表情数据库简介 4

2.1 人脸图像预处理 4

2.1.1 图像灰度归一化 5

2.1.2 图像几何归一化 7

2.2 本章小结 9

第3章 基于PCA和距离测度的表情识别 11

3.1 PCA的基本原理 11

3.2 训练集的特征提取 14

3.3 基于距离测度的表情匹配 14

3.4 维数比率和样本集数量的选取 15

3.5 本章小结 16

第4章 基于SVM的表情分类改进 17

4.1 SVM的基本原理 17

4.1.1 硬间隔支持向量机 17

4.1.2 软间隔支持向量机 20

4.1.3 核函数 21

4.2 多分类支持向量机的设计 22

4.3 基于SVM的表情识别算法改进 23

4.4 两种识别方法的比较 24

4.5 本章小结 26

第5章 系统总体设计 27

5.1 系统框架的设计与实现 27

5.2 用户界面设计 28

5.3 测试结果分析 31

5.4 本章小结 33

第6章 总结与展望 34

参考文献 35

附录A 37

致谢 39

绪论

研究目的及意义

20世纪80年代以来，随着计算机研究的不断发展，以及对人类感知机制的深入研究，科研人员热衷于研究出够识别事物某些特征的机器，由此形成了计算机视觉以及人工智能研究领域。人工智能研究的目标是探索人类的思维和感知事物的机制，并从生理学，心理学和运动学等各个角度探索人类处理事务机制，并努力将这些机制应用到机器人实践中，赋予机器像人类一样的思维能力以及识别和处理事物的能力[1]。

表情识别不同于人脸识别，其重点反映了识别对象的情感特征，具有独特的应用。目前盛行的人脸识别，即生活中的“刷脸”，主要用于身份鉴别，近几年来发展迅速，技术相对成熟，可以广泛应用于经济，公共安全，出行等许多生活领域，为人们的生活带来极大的便利。表情识别无需关注对象的身份特征，而是关注于对象的情绪特征，利用人类天生的丰富表情分析出对象的情感变化，获取更丰富的信息，提高人机交互水平。

表情识别作为机器识别人类情感的桥梁，可以用于生活中多个场合：

儿童教育。随着教育信息化发展，更多年轻父母选择智能家庭教育机器人辅助子女学习，陪伴孩子成长，智能教育机器人可以成为孩子们在家的伙伴，成为教育行业的有力补充。表情识别系统可以提升智能机器人与儿童之间的交互程度，让其根据儿童的情感变化做出符合教育学的分析，辅导，增强孩子们的互动体验，引导孩子们健康成长。

驾驶安全。交通安全一直是社会关注的焦点，由于驾驶车辆容易受到驾驶员主观因素的影响，如果驾驶员长时间保持兴奋或愤怒的情绪，那么会给驾车安全带来很大威胁。加入表情识别系统可以限制情绪不稳定的驾驶员，减小事故发生，保障道路安全。