结合鲁棒PCA特征与随机森林的表情识别方法

欧中亚，山田宏尚

(1.河南经贸职业学院 信息管理系，河南 郑州 450046；2.日本岐阜大学 工学研究科机械系统，岐阜 名古屋 5011193)

0 引 言

人脸表情识别[1]的核心是提取人脸的表情特征，目前常用的人脸表情特征有3类，分别是几何特征、运动特征和统计特征[2-4]。几何特征主要是对人脸的眼睛、眉毛、嘴巴等局部部位的几何位置和形状进行定量描述，来区分不同的表情。然而，几何特征受光照、图像质量、饰物等干扰较大，稳健性不强[5]。运动特征是将连续的人脸表情变化作为研究对象，采用如光流法等运动分析方法来测量表情的变化，区分不同的表情。然而，此类方法需要的信息量大，且计算量也很大[6]。统计特征通常是对图像空间进行变换(如主成分分析(principal components analysis，PCA))，将降维后的向量作为特征向量来进行表情识别。由于不需要设计具体的特征描述子，相对而言比较简便，但也受光照等影响[7]。

本文提出一种结合鲁棒PCA特征和随机森林学习方法的人脸表情识别方法，其创新点有两个：一是提出一种鲁棒的PCA特征提取方法，融合欧氏距离和明氏距离两种距离计算方法来求取样本均值，并采用梯度下降算法来迭代寻找最优的样本中心和投影矩阵，提高特征对不同样本的鲁棒性。二是提出一种改进的Gamma校正方法，可以在改变图像灰度动态分布范围的同时尽可能保证图像的整体亮度分布不变。

1 本文方法

本文提出的结合鲁棒PCA特征和随机森林的表情识别方法主要包括图像预处理、表情特征提取和表情特征的训练与分类3个部分，详细介绍如下。……