（生物医学工程专业论文）基于矩和主分量分析的面部表情识别方法研究.pdf

东南大学硕士学位论文 a b s t r a ct t h e s i st i t l e ：r e s e a r c ho ft h em o m e n t b a s e da n dp c a - b a s e df a c i a le x p r e s s i o n r e c o g n i t i o n m a s t e r n a m e ：j i a n g l u s u p e r v i s o rn a m e ：s h u h u a z h o n g s c h o o ln a m e ：s o u t h e a s tu n i v e r s i t y i no u rd a i l yi i f e c a p a c i t i e so fh u m a nb e i n gn o to n l yr e p r e s e n tn o r m a lr a t i o n a l t h i n k i n ga n dl o g i ca b i l i t i e s b u ta l s oe x h i b i t n o r l n a ls e n s i b i l i t i e s i nn a t u r a li n t e r f a c eo f h u m a na n dc o m p u t e r s ，c o m p u t e r sa r eu n a b l et oh a v en oa b i l i t i e so f u n d e r s t a n d i n ga n d e x p r e s s i n ge m o t i o n s t h e s ea b i l i t i e s o fc o m p u t e rw i l l d i r e c t l yp r o m o t eb u i l d i n g m o d e l sa n dd e v e l o p i n gd a t a b a s ei nc o m p u t e rv i s i o ns y s t e m m o r e o v e r , t h e yw i l lh e l p p e o p l es t u d ya n de s t a b l i s hr e l i a b i l i t yo f c o m m u n i c a t i o ni nb e h a v i o r i nt h i sd i s s e r t a t i o n ，w em a i n l yd i s c u s s e dt h ea p p l i c a t i o no f m o m e n ti n v a r i a n t si n f a c i a le x p r e s s i o nr e c o g n i t i o n , i n c ! n d i n gt h ea p p l i c a t i o no fd s ti nh u m a nf a c ei m a g e f e a t u r el o c a t i o n ，c o m p a r i s o no fa l lk i n d so fm o m e n ti n v a r i a n t si nf a c i a le x p r e s s i o n r e c o g n i t i o n ，d e s i g n i n go fr e l e v a n t c l a s s i f i e ra n dt h ea p p l i c a t i o no fp c ai nf a c i a l e x p r e s s i o nr e c o g n i t i o n f i r s t l y , w ei n t r o d u c e dc u r r e n tr e s e a r c hs t a t u so f h u m a nd e t e c t i o ni nt h ew o r l d o nt h eb a s eo fg e n e r a ls y m m e t r yt r a n s f o r m ，w ed e f i n e dt h ed i s c r e t e s y m m e t r y t r a n s f o r mi np r e c i s el o c a t i o no fh u m a n e y e s 。t h i ss t e pi st h ep r e - p r o c e s s i n gw o r ko f f a c i a le x p r e s s i o n r e c o g n i t i o n n e x t w e m a i n l y i n t r o d u c e dt h ed e f i n i t i o na n d p r o p e r t y o fh u sm o m e n t i n v a r i a n t s ，z e r n i k em o m e n ti n v a r i a n t sa n dw a v e i e tm o m e n ti n v a r i a n t s a n da p p l i e da l l t h em e t h o d st ot h ef e a t u r ee x t r a c t i o no ff a c i a l e x p r e s s i o nr e c o g n i t i o n i n 0 1 1 i e x p e r i m e n t s ，w eu s e dt h r e ew a v e l e tf u n c t i o n s ，s u c ha sc u b i cb s p l i n ew a v e l e t ，h a a r w a v e l e tm a ds h a n n o nw a v e l e t ，a n dc o m p a r e dt h e r e c o g n i t i o nr a t i o w i t hz e m i k e m o m e n ti n v a r i a n t s t h er e s u l t ss h o ww a v e l e tm o m e n ti n v a r i a n t sh a v eb e t t e rr e s u l tt l l a n o 谦e rm o m e n ti n v a r i a n t s t h i r d l y , w ei n t r o d u c e d t h em o d i f i e d 靛m o m e n ti n v a r i a n t s 。a n de x t r a c t e d m o d i f i e dh um o m e n ti n v a r i a n t s z e m i k em o m e n ti n v a r i a n t sa n dc u b i cb 。s p l i n e w a v e l e tm o m e n ti n v a r i a n t s 毙a t u r e sb a s e do nl o c a lf e a t u r er e g i o n s 。a c c o r d i n gt o e x t r a c t e df e a t u r e s w e d e s i g n e d b pn e u r a ln e t w o r kt o c l a s s i f y t h ed i 脯r e n t e x p r e s s i o n s e x p e r i m e n t a lr e s u l t ss h o ww a v e l e tm o m e n ti n v a r i a n t sa l s oh a v eb e t t e r r e s u l tt h a no t h e rm o m e n ti n v a r i a n t s i i 东南大学鞭士学位论文 f i n a l l y ，w ea p p l i e da n o t h e rs t a t i s t i cm e t h o d - - p r i n c i p a lc o m p o n e n ta n a l y s i si n t o t h ef a c i a le x p r e s s i o nr e c o g n i t i o n a n dw ec o m b i n e dp c aw i t hb pn e u r a ln e t w o r k 协 d e s i g np c a b a s e df a c i a le x p r e s s i o nr e c o g n i t i o ns y s t e m 。e x p e r i m e n t a lr e s u l t ss h o w t h em e t h o do f m o m e n ti n v a r i a n t sf e a t n r ee x t r a c t i o ni sb e t t e rt h a np c a m e t h o d ， k e yw o r d s ：f a c i a le x p r e s s i o n ，m o m e n t ，h um o m e n t ，z e m i k em o m e n t ，w a v e l e t ， w a v e l e tm o m e n t , b pn e u r a ln e t w o r k ，p c a ，r e c o g n i t i o nr a t i o i h 东南大学学位论文独创性声明 本人声明所呈交的学位论文鼹我个人在导师指导下进行的研究工作及驭得 豹磺究藏莱。尽我氍翔，除了文中羚爨熬敬标注帮致谢麴逸方羚，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中佟了疆确懿说翡并表示了落蠢。 磊秀究生签名： 差旗 鞠期： 秽弘j ，f 东南犬学学俄论文使用授权声瞬 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所遴交学 位论文的复印件和电子文档，可戳采用彩印、缩印或其纯复制手段保存论文。本 人邂子文档豹内容和纸质论文豹走餐相一致。除在保密期内的保密论文辨，允许 论文被查阅和借阅，可以公布( 包括刊登) 论文的全部戚部分内容。论文的公布 ( 包括刊登) 授权东南大学砩究生院办理。 研究生签名：薹遮等藤签名：。迕生曼 东南大学硕士学位论文 第一章绪论 1 1 人脸面部表情识别的背景和意义 1 1 1 背景和意义 在日常生活中，人类的智能不仅表现在正常的理性思维和逻辑推理能力上，也表现在止 常的情感能力上。在自然化的人机交互中，计算机不能没有理解和表达情感的能力。这种能 力对促进计算机视觉系统建模和数据库的发展都有直接的作用：在语言学中，则可辅助唇读； 在行为学中能帮助人们研究和建立交流中的可信度；在商业应用方面、可视电话和电视会议 方面以及国际间商业政治的交流方面都有着重要的应用价值。 1 1 2 心理学领域的研究 生物学家达尔文所做的心理学实验表明，面部表情的含义不随地区和国家的不同而不 同，这一结果具有普遍的意义。s l o s b e r g 提出了表情可以从维量进行分析，e k m a n 和f r i e s e n 提出了表情可以从分类这个角度进行研究。e k m a n 等人提出了表情六种最基本的分类，即 高兴、惊奇、恐惧、悲伤、厌恶和愤怒，具有里程碑的作用。人类所有的情绪表情都是由这 几种表情经过复杂的融合而成。e k m a n 和f r i e s e n 提出的目前被广泛采用的人脸运动编码系 统f a c s 是导致所有脸部活动的运动单元( a c t i o nu n i t s ) 的枚举。在f a c s 中，共有4 6 个运 动单元导致面部表情的变化，这些运动单元的共同作用导致了各种各样的面部表情的产生。 面部表情、声调表情或身体姿态三方面构成了情绪表现，而情绪表现、情绪体验和情绪生理 这三种因素又组成了情绪的心理，所以现实生活中的表情是千变万化的。 1 1 3 计算机领域的研究现状 在计算机领域中，关于面部表情识别的研究是在晟近几年才逐渐发展起来的。文献【2 】 把人脸识别方面的特征脸( e i g e n f a c e ) 的思想应用到了表情识别中，用静止的单帧表情图像来 识别，把表情投影到“表情空间”。这反映不出表情动作的变化，没有包含时间信息和运动 信息；扩展性不够好。文献【3 实现的表情识别系统是用基于规则的方法来识别较为夸张的单 一表情。 m a s e 4 曾使用光流场来跟踪面部的运动单元。“等人【5 】描述了一种基于模型的方法， 把计算机图形学和计算机视觉处理之间的反馈控制用于脸部图像编码系统。y a c o o b 和 d a v i s 6 1 基于f a c s ( f a c i a la c t i o nc o d i n gs y s t e m ) 编码，在八个方向上检测运动，在一张脸 上有六个预定义、手工初始化的矩形区域，使用简化的f a c s 规则识别六种表情，其识别率 达到8 8 。r o s e n b l u mm a r k 和y a c o o by a s e r 7 噜人用r b f n 结构学习脸部特征和人类情绪之 1 第一章绪涪 闻瓣褶关性，在最离一缀谖裘情绪，在中闯一缀决定验部特征运动，在 蔻一缓滚复运动方离。 该系统也能实现识别六神基本表情。p e n ga n t a i 和h a y e s 8 l 研究了人脸表情的建模和合成， 用基于模援的图像编码方法，使用遗传算法来编码，合成各种不同表情。e s s a l 9 l 等滔豳像序 到作为输入的计冀机视觉系统来观察脸部的运动单元。襁觉观察与感知是月光流方法与描述 脸部结构的几何、物理肌肉模型相结合褥到的。选种建模方法产生了一个随时间变化的脸部 形状的空润模板秽一个独立豹腿凌运动嚣鲢参数他表援。w a n gm e i 1 0 l 识别了六静基本葱帮 表情的程度。yz h u 【1 1 1 等人将h u 矩不变量应用于面部袭情识别系统，识别率达到9 3 7 5 。 1 1 4 识别的难点 用计算机来分析、识别面部表情是一个非常复杂的问题，箕关键在子建立个人粪的情 绪( h u m a ne m o t i o n s ) 模型并将其与人脸鞭部特征及表情的变化联系起来，但人脸是个蟊性 体，而非刚体，很难用模型来精确描绘。而且表情的识别还依赖于其他方面的阁素，如： 对a 验躲熟悉程发。对番秘表臻的蓐骏。表情的表现蠢缓积的葶拜激动鞠、细微豹秘强烈的、 轻松的和紧张的等诸多形式，它的生理因素也是细微多变的，所以非常复杂。对脸部的注 意程度。菲程蠢的霹素也洽诗磐橇的谈到带来定溺嚣难。数据来源方嚣：在严楱熬实 验中所引起的情绪表情状态带有突出的人为性质，这难以为实际的科学研究摁供十分精确的 依据：而在实际中观察的数据，它的笼统往和复杂往又使人难阻进行数据分橱，这不能不说 是人们感到藏手从而触及它较少的原因之一。计算机本身没脊知识葶h 经验 光照的因素对 i 蚓像的影响大，这些也都是它的难点所在。 1 2 表情的分类 由于袭情产生的原因、表现的程度以及人们对表情的控制能力和表情的倾向等诸多方面 辩原因使袭清静嶷往籀徽蠢复杂，黠表清蒋熹瓣藏瑟识显褥复杂。袋据心理学熬鼷究【， 对表情分类的方法很多。其中最广泛采用的是e k m a n 的晟基本表情的六种分类方法。对六 种分类最基本单一表情的主要特点概括如表1 - 1 所示。 交情额头、翅毫疆薅 舱的下半鄂 慷奇眉毛被抬高，以至眼睛黪大了，上限 下颌下落嘴张开。 予变裹交弯。霜毛皮被抬糍，下鼹皮下以致予壤和巍分开， 下的皮肤被拉伸。 落。眼自可能在瞳 但嘴部并不紧张，也 皱纹可8 横跨额头。孔的上边露出来，下不拉伸。 边的也w 能露出来。 恐惧眉毛抡起来并皱在上跟脸抬起来，下限嘴张开了，嘴唇或者 一超。额头的皱纹睑菲常紧张，并置被轻徽紧张，自瑶拉； 只集中柱中部，而不 拉上来。 或拉长，同时向后拉。 横跨整令颧头。 厌恶眉毛压低了，并压低在下眼皮下部出现了 上唇被抬起来。 - 2 - 末南大学顿士学位论文 了t 眼睦。横纹，脸颊推动其向下厝与上唇紧闭，摊 上，并不紧张。 动上唇向上，嘴角下 拉，唇轻微凸起。 赣子皱莛来。 脸颊被抬起。 愤怒眉壤皱在一起。拌下眼皮非常紧张，麟有两种基本位 且压低了。在眉宇可能被或可能不被抬置：紧闭，唇角拉随 间出现了竖直皱纹。起。上限皮使紧张或密囊下；张开，傍 的，在嚣麓葫作下可臻簧喊。彝藐w 能 能被压低。眼睛愤是张大的，这并不是 怒地瞪着，可能鼓起。 必骤的。 高兴眉毛稍微下弯。 下限险下边可能有囝爝角向后拉并抬 皱绞，霹能焱莛，毽裹。镤霹髓簸强大， 并不紧张。鱼尾纹牙螽可能露出来。 从外眼角向外扩张。一邀皱纹从鼻子一商 沿伸到嘴角外部。 黢颊被捡起。 悲侮属罨斑角皱在一起，疆肉角的上鞭皮被捻嘴角下拉。嗡角 抬耐，带动眉毛下的高。可能在颤抖。 皮肤。 1 3 表情圈像库简介 表1 - 1 蕊郝表情的主要特征 在本谂文中，实验果婚豹a 黔淘豫都来囊卡耐基梅滏夫学表情蓐 ( h r t p ：a m p e c l t l t le d t o ：p r o j e e t s , r f a c e a u t h e n t i c a t i o n d o w n l o a d h t m ) ，该袋情库由c m u ( c a r n e g i em e l l o nu n i v e r s i t y ) 多媒体处理实验室a m p l ( a d v a n c e dm u l t i m e d i ap r o c e s s i n g l a b ) 提供，麾中包括1 3 个人的9 7 5 幅b m p 图像。每个人有7 5 幅图像，每幅图像具有相 嗣翡竞慧条侉，置兵有不弼豹表稳帮羚貌酶变 乏；戴疆镜、不戴疆镜、亵必、孛往齄、戆伤、 假寐、惊奇、眨眼等。部分袋情库样本图像如图1 - 1 所示。 第一章绪论 图卜1c m u 表情库示例 1 4 如何进行面部表情识别? 一般地，一个面部表情识别系统应包括图像输入、预处理、人脸检n 分割、特征提取、 分类等五部分。 1 4 1 人脸表情图像表示 计算机处理的图像是以数字形式表示的。如果仅从识别的角度出发，我们希望数字图像 能够尽可能多的保留原图像的信息，但在实践中，由于场合的不同，输入图像保留的信息是 不一样的。灰度图像失去了颜色信息；二维图像则失去了深度等三维信息；红外图像仅仅和 热辐射有关，分辨率太低；s k e t c h 图像则失去了纹理信息；并且上述几种图像都不包含运动 信息。除了图像形态，输入设备也不尽相同，有的图像是由c c d 摄像头拍摄的，有的则是 照片扫描或报纸扫描，还有可能是在w e b 上下载的压缩图像，等等。由于应用环境的不同， 所得图像的性质也是不同的，这实际上会影响到以后提取的特征也有所不同。本论文主要工 作是在二维灰度( 2 di n t e n s i t y ) 静态图像上进行表情识别的研究。 1 4 2 预处理 预处理的执行与否完全取决于图像的质量和待研究的问题。如果图像不清晰，一般改善 的方法有直方图均衡、图像锐化等。如果需要提取不同的频带信息，则进行相应的低通、带 通或高通滤波。图像的边缘、梯度信息的提取，消除照相机位置、方向的影响和相机抖动， 某些背景的去除等也属于预处理操作。背景的去除是必要的，否则面部表情识别将不是“纯” 面部表情识别【”】。有时候，由于研究的需要，还需对图像进行人为处理，如剪切、配准 ( r e g i s t r a t i o n ) 、对齐( a l i g n m e n t ) 等。 在本论文中，由于我们所用的图像数据库来自c m u 多媒体处理实验室，图像的背景已 经去除，且光照单一，图像也很清晰，因此我们毋须对实验样本进行预处理工作。 1 4 3 人脸检测与分割 人脸检测是面部表情识别系统的关键部分，检测的成功与否或检测的准确性将直接影响 系统的性能。人脸检测一般可分为复杂背景和简单背景两类。监控、跟踪等主要在复杂背景 下，而访问控制、证照管理等是在简单背景下。人脸检测的研究方兴未艾【1 4 】，实际上现 如今人脸检测已经成为一个独立的课题成为很多学者关心的领域。 由于复杂背景下的人脸检测是粗糙的，并且合适的人脸模板库是很难建立的，因此目前 大多数的人脸识别算法要求的人脸检测是在简单背景下，这就要求精确定位出人脸边缘的位 置，定位出脸部特征如眼睛、眉毛、鼻子、嘴巴、耳朵等的准确位置或轮廓。人脸检测的结 4 东南大学硕士学位论文 果要受到人脸尺度( s c a l e ) 、方向( o r i e n t a t i o n ) 、姿态、表情、遮挡( o c c l u s i o n ) 、光照条 件等情况的影响。人脸检测可以看成人脸( f a c e ) 和非人脸( n o n f a c e ) 两类分类问题。非 人脸类由于太复杂，以致很难用某种具体分布加以描述，一个解决的方法就是只取部分非人 脸( 如误检区域) ，采用多模高斯分布近似”1 。本论文将在第二章中着重讨论简单背景，突 出单人脸特征检测问题。 1 4 4 特征提取 一般情况下，人脸图像包括头发、肩、脖子和部分背景，这些非人脸的部分使得表情识 别并不是十分严格意义上的“表情”识别并且会对表情识别的性能产生明显的影响。尽管 如此，区分人脸的“纯”度并不是表情识别的主要问题。表情识别重在分类特征的提取，那 么如何表征表情呢? 许多学者在这个问题上做了大量的尝试，其方法主要可分为如下三类， 基于几何特征的方法，基于神经网络的方法，基于统计特征的方法。 j y h y e o n gc h a n g 和j i a - l i nc h e n t 1 认为面部表情可以视为面部基本肌肉运动的结合，由 此他们定义了3 0 个面部特征点来描述这些肌肉的位置和形状。这种方法属于典型的几何特 征的方法。b a d o n o h u e ”】描述了人工神经网络在识别不同表情中的应用。神经网络的输入 包括从视频中获得的面部表情图像集，网络的训练采用了b p 算法。而本文中讨论的方法， 即将矩和p c a 方法运用到面部表情分析和识别中则是一种典型的基于统计特征的方法。此 外，还有很多基于统计特征的方法，这里不在赘述。 1 4 5 分类器 分类器的设计是模式识别的难点。在表情识别中，常用的分类器有以下几种； 1 1 最小距离分类器( n c ) 。相似度量是以检测样本到类中心的距离大小为判据。 2 ) 最近邻分类器( 1 n n ，k - n n ) f j 9 j 。相似度量以检测样本到模板的距离为判据。当模板 库中每类只有一个模板时，n n 就退化为n c 。距离的测度主要有三l 范数，2 范数，马 氏距离，h a u s d o r f f 口e 离o o 】【2 l 】等。我们把余弦分类器也归入这一类。 3 ) 贝叶斯分类器。如果知道各类的先验分布和条件分布，就可以采用最大后验估计( m a p ) 的方法进行分类。 4 ) 支持向量机( s v m ) 。s v m 是基于结构风险最小化得出的。尤其在小样本情况下，既降 低了训练集的错分风险，又降低了检测集的错分风险。s v m 在表情识别中已逐渐得到 应用。 5 ) 神经网络分类器( n n c ) 。采用神经网络作为分类器是很自然的。一般一个三层网络对 应模式识别中图像输入、特征提取、分类三部分。通常的n n c 有多层感知机( m l p ) 模型、b p 网络、径向基网络等。s v m 也借鉴了神经网络的思想。 5 第一章绪论 1 5 统计面部表情谈剐的性熊评估 统计横式识别又称决策论法识别，与句法模式识别不同，它首先从模式中提取一蝗称作 萼誊链的特羧度量，恕每一个摸式攒定为蘩裴鳇议裂遵掌是臻划分特薤空闻熬方法来实理。它 包括两方丽的问题，即特征提取和分类口2 2 ”。本论文用统计的方法研究面部表情识别问题。 在统计表情疆j l l | 中，每个人验表情帮鸯d 个特鬣表示，势看成d 维空阉夔一个点。穰宠在d 维空间，不同的类占有紧支、不连通的隧域，因此是可分的阱j 。统计袋情识别大量采用了 概率论和数理统计的知诚，分类决策的边界一般是预定义静或邋过学习得虱。谤疆系绫一般 有两个操作模式：训练( 学习) 部分和分类( 梭测) 部分。其基本挺絮如图1 0 。 一个统计面部表情识剐系统的性能主要由以下几个参数评估：1 错误率，即误识数目 与总检测数基戆菇分比。2 。识别率，与错误率对应，为正确识别数目和总检测数壁的酉分 比。3 错误接受率( f a r ) ，即门限内识别错误的概率。4 错误拒绝率( f r r ) ，即门限外 正确识嗣的概率。s 接受器操侔特垂( r o c ) ，释门限交往下。连f a r 秘f r r 绘减熬趣线。 b 特征维数。维数越少，速度越快。7 训练时间。时间越短，系统趟能适应动态建库和实 时识剐的需要。 强1 - 2 统诗表绪援剐蓉绫约溅理框图 。6 论文缝缀结构鸶内容 鉴子备种瘫具有不黼的傀点，本论文分舞论述了弼h u 怒，z e m i k e 矩黍| 小波矩在蠢部 表情识别中的应用，此外本文还将p c a 方法运用到表情识别领域，比较了矩方法和p c a 方 法的优缺点。在第二章中，我们论述了离散对称变换在人脸图像特征隧域定健中的应糟。在 第三章中，我们繁重讨论了基予全局信惑的矩特征的提取和计算，分缡了矩不变量在对于同 一个人不同表情的识别中的应用，将矩不变量作为模式的特征并给出计算结聚，并运用最小 6 - 东南大学硕士学位论文 距离分类器，对同一人的高* 和悲伤两种不阍的表情做出分类决策。在第蹦章中，我们讨论 了基于人脸局部信息的矩特征的选取和汁算并进一步讨论基于该特征的b p 神经网络分类 器豹设计帮实现，最磊给出分类结果。在第聂章中，我们舟绍了传统的p c a 冀法在嚣部爱 情识剐中静瘦糟，劳结台p c a 和b p 章孛经黼络在原有翡样本库主避毒亍了窝验，绘出最厨的 实验结果，并和基于局部矩特征的方法进行了比较。 参考文献 【1 】p le k m a na n dw vf r i e s e n ， f a c i a la c t i o nc o d i n gs y s t e m ”p a l oa l t o , c a l g ：c o n s u l t i n g p s y c h o l o g i s t sp r e s s ，i n c ，1 9 7 8 2 】z h a o l iz h u a n g , “h u m a nf a c i a le x p r e s s i o na n a l y s i s a n dr e c o g n i t i o n jh a r b i ni n s t i t u t eo f t e c h n o l o g y , h a r b i n ，1 9 9 7 ( i nc h i n e s e ) f 3 】g a ow e n ，j i nh u i ，“a n a l y s i sa n dr e c o g n i t i o no f t h ef a c i a le m o t i o n a le x p r e s s i o n s ”。c h i n e s e j o u r n a lo f c o m p u t e r s ，1 9 9 7 ，2 0 ( 9 ) ：7 8 2 - 7 8 9 ( i nc h i n e s e ) 4 m a s ek ，“r e c o g n i t i o no ff a c i a le x p r e s s i o n sf o ro p t i c a lf l o w ”1 e i c et r a n s a c t i o n s ，印e e i a l i s s u e o n c o m p u t e rf i s i o n a n d i t s a p p l i c a t i o n s ，e ，1 9 9 l ，7 4 ( 1 0 ) ：3 4 7 4 3 4 8 3 。 5 ll ih p e r t t ir o i v a i n e na n dr o b e 娃f o r c h h e i m e r , “3d m o t i o ne s t i m a t i o n 浊m o d e lb a s e df a c i a l i m a g ec o d i n g ”i e e e t r a n s a c t i o n so np a t t e r na n a l y s i sa n dm a c h i n ei n t e l l i g e n c e , 1 9 9 3 ， 15 ( 6 ) ：5 4 5 5 5 5 【6 】y a e o o bxd a v i sl ， c o m p u t i n gs p a f i o * t e m p o r a lr e p r e s e n t a t i o n s o fh u m a nf a c e s ”。n p r o c e e d i n g s 够t h ec o m p u t e r f i s i o na n dp a t t e r nr e c o g n i t i o nc o n f e r e n c e , 1 e e ec o m p u t e r s o c i e t y ，1 9 9 4 7 0 - 7 5 【7 】r o s e n b l u mm ，y a c o o by ，d a v i sl “h u m a ne m o t i o nr e c o g n i t i o nf r o mm o t i o nu s i n gar a d i a l b a s i sf u n c t i o nn e t w o r ka r c h i t e c t u r e ”n ：p r o c e e d i n g so ft h et e e ew o r k s h o po nm o t i o no f n o n r i g i d a n d a r t i c u l a t e d o b j e c t s , a u s t i n ，t x ，1 9 9 4 4 3 4 9 。 8 】p e n ga ，h a y e sm h “i t e r a t i v eh u m a nf a c i a le x p r e s s i o nm o d e l i n g ”s c h o o lo f e l e c t r i c a la n d c o m p u t e re n g i n e e r i n gg e o r g i at e 哦a t l a n t a , g a ：t e c h n i c a lr e p o r t3 0 3 3 2 - 0 2 5 0 ，1 9 9 6 ，4 7 9 - 4 8 6 【9 】e s s a l a ，p e n t l a n d a p “c o d i n g ，a n a l y s i s ，i n t e r p r e t a t i o n , a n dr e c o g n i t i o n o f f a c i a l e x p r e s s i o n s ” m 1 t l v f e d i a l a b o r a t o r y ：p e r c e p t u a l c o m p u t i n g s e c t i o n t e c h n i c a l r e p o r t 3 2 5 ，1 9 9 5 1 0 】w a n gm e i ，1 w a ly ，y a c h i d am “e x p r e s s i o nr e c o g n i t i o nf r o mt i m e - s e q u e n t i a lf a c i a li m a g e s b yu s eo fe x p r e s s i o nc h a n g em o d e l ”n ：p r o c e e d i n g so ft h e3 r di n t e r n a t i o n a lc o n f e r e n c eo n a u t o m a t i cf a c ea n d g e s t u r e r e c o g n i t i o n , o s a 妖a ，j a p a n ，19 9 8 ，3 2 4 - 3 2 9 ， 1l 】z h u ，y ；d es i l v a ，l c ；k o ，c c 二“u s i n gm o m e n t i n v a r i a n t sa n dh m mi nf a c i a le x p r e s s i o n r e c o g n i t i o n ”m a g ea n a l y s i s a n di n t e r p r e t a t i o n , 2 d d 0 p r o c e e d i n g s 4 t h1 e e es o u t h w e s t s y m p o s i u m ，2 - 4a p r i l 2 0 0 0 ， 【1 2 】s t o r m o n t hk t z h a n gy a h * y u n t r a n s l a t e d 。 f 2 a ep s y c h o l o g yo f e m o t i o n 。s h e n y a n g ：l i a o n i n g p e o p l ep r e s s ，l9 8 5 ( i nc h i n e s e ) * 一 第一章终论 【1 3 】l c h e n ，h 。l i a o ，e ta l ，w h yr e c o g n i t i o ni nas t a t i s t i c s b a s e df a c er e c o g n i t i o ns y s t e ms h o u l d b eb a s e do nt h ep u r ef a c ep o r t i o n ：ap r o b a b i l i s t i cd e c i s i o n - b a s e dp r o o f , p a t t e r nr e c o g n i t i o n ，v 3 4 ， p p 1 3 9 3 1 4 0 3 ，2 0 0 1 。 【1 4 1m y a n g ，d k r i e g m a n ，n a h u j a , d e t e c t i n gf a c e si ni m a g e s ：as u r v e y , i e e e t r a n so np a t t r e c o g _ a n d a , l a c h i n t e l l ，v 2 4 ，n o 。l ，p p 3 4 5 8 ，2 0 0 2 【15 】e h j e l m ，b l o w , f a c ed e t e c t i o n ：as u r v e y , c o m p u t e r v 妇i o na n d i m a g eu n d e r s t a n d i n g , v 8 3 ， n o 3 ，p p 2 3 6 - 2 7 4 ，2 0 0 1 ， 【1 6 】k ，s u n g ，ip o g g i o ，e x a m p l e - b a s e dl e a r n i n g f o rv i e w b a s e dh u m a nf a c ed e t e c t i o n ，i e e e t r a n s o n p a t t r e e o g a e i d m a c h i n t e l t ，v 2 0 ，n o ，1 ，p p 3 9 5 0 ，1 9 9 8 1 7 】j y h - y e o n gc h a n g ；j i a - l i n c h e n ，af a c i a le x p r e s s i o nr e c o g n i t i o ns y s t e mu s i n g n e u r a l n e t w o r k s t j c n n4 9 9 。i n t e r n a t i o n a l j o i n tc o n f e r e n c eo nn e u r a l n e t w o r k s ，1 9 9 9 ，v o l u m e ：5 ，1 9 9 9 p a g e ( s ) ：3 5 1 1 3 5 1 6 1 8 】d o n o h u e ，b a ；b r o n 蠢n o ，j d ；d i l i b e r t l ，j h ；o l s o n ，d ；s c h w e i t z e r , l r ；w a l s h ，p l a p p l i c a t i o no fa n e u r a ln e t w o r ki nr e c o g n i z i n gf a c i a le x p r e s s i o nb i o e n g i n e e r i n gc o n f e r e n c e ， 1 9 9 1 ，p r o c e e d i n g s o f t h e1 9 9 1i e e es e v e n t e e n t h a n n u a l n o r t h e a s t p a g e ( s ) ：2 0 6 - 2 0 7 1 9 tc o v e r , p h a r t ，n e a r e s tn e i g h b o rp a r e mc l a s s i f i c a t i o n ，i e e et r a n s o n i n f o r m a t i o nt h e o r y , v o l 、i t - 1 3 ，n o 1 ，p p 2 1 - 2 7 ，1 9 6 7 2 0 】d h u t t e n l o c h e hqk l a n d e r r n a n ，wr u c k l i d g e ，c o m p a r i n gi m a g e su s i n g t h eh a u s d o r f f d i s t a n c e ，i e e et r a n s o np a t t a n a l y , m a t h i n t e l l ，v t 5 ，r i o 9 ，p p 。8 5 0 - 8 6 3 ，1 9 9 3 2 1 b t a k a c s ，c o m p a r i n g f a c e i m a g e su s i n g t h em o d i f i e dh a u s d o r f fd i s t a n c e ，p a t t e r n r e c o g n i t i o n ，v 3 1 ，i l o 1 2 ，p p 1 8 7 3 1 8 8 1 ，1 9 9 8 2 2 1 边肇祺等编落，模戏识别，北京，清华大学出版社，1 9 9 9 2 3 】罗耀光、盛立东编著，模式识别，北京，人民邮电出版社，1 9 8 9 【2 4 1 寸京孙主编，程民德等译，摸式识捌应塌，i 京，j e 京走学出舨衽，1 9 9 0 2 5 】a j a i n 。r d u i n ，j m a o ，s t a t i s t i c a lp a t t e mr e c o g n i t i o n ：ar e v i e w , 1 e e et r a n s o n 忍札a n a l y 撼e 矗i n t e l l ，v 2 2 ，n o l ，p p 4 - 3 7 ，2 0 0 0 8 - 东南天学硕士学位论文 第二章离散对称变换在人脸图像特征定位中的应用 2 孳l 客 任何袭情识弼系统的首要侄务都是定位出圈像中a 脸静位嚣，然舞荐遘苻表情劳耩、大 脸跟踪和识别等进一步的处理。人脸检测的效果受到诸多因素的影响，如人脸尺度变化、方 向、姿态、表情、遮挡物、光照、背景干扰等。由于人机交互( h c i ) 技术发鹱的需甍，近 年来，a 脸检测技术获得迅速的发展 1 - 2 。m y a n g 给出入脸检测( f a c ed e t e c t i o n ) 的定义为， 任给一幅图像，人脸检测的目的就是确定图像中是否存在人脸，如果存在，则返回