null文献阅读报告文献阅读报告 导 师:
报告人:报告内容报告内容一、课题相关信息
二、文献解读1、1 模式与模式识别1、1 模式与模式识别模式:所见到的具体事物。
模式类:将它们归属的类别。
模式识别:利用自动技术,计算机自动地(或人进行少量干涉)把待识别模式分到各自的模式类中。
1、2 人脸表情识别意义1、2 人脸表情识别意义 随着计算机技术的发展,智能人机交互技术逐渐成为
现代科技的研究热点。面部表情识别作为一个典型的交
叉课题,涉及了模式识别、人工智能、图像处理、计算
机视觉与图形学、生理学,心理学等多种学科。面部表
情识别问题的深入研究和最终解决,对于促进这些学科
的成熟和发展有着现实意义,并且有着广泛的应用前景
和巨大的市场价值。1、3人脸表情识别系统框图1、3人脸表情识别系统框图
PIE FGnet JAFFE判断输入的图像中是否存在人脸,如果存在人脸则找到人脸在图像的位置,并且将人脸从背景图像中分离出来。
方法
快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载
:人脸轮廓特征、灰度分布特征、
模板
个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载
特征从经过预处理模块处理的图像中提取可以用来识别的特征,将原始图像中的数据映射到特征空间此过程结束后将生成可用于识别的参数,也就是可用于分类识别的分类器根据训练所得的参数完成面部表情的判别工作,给出最后的识别结果,并做出相应的判断。尽可能的去除或减小光照、成像系统、外部
环境等等对于待处理图像的干扰,为后续处理提供高质量的图像可以用一个摄像头或者是扫描仪等设备从外界获取图像2、1 文献2、1 文献
薛雨丽,毛峡,Caleanu C D ,等.遮挡条件下的鲁棒表情识别方法[J].北京航空航天大学学报,2010,36(4):429-433.
简介:薛雨丽( 1980- ) , 女, 江苏南通人, 博士生, YuL i_Xue@ ee. buaa. edu. cn.2、2 文章总体思路2、2 文章总体思路
利用RPCA对图像
进行重构 重构的图像与被
识别图像的差值 输入到显著检测器 找出被遮挡的区域 用权值更新的
Adaboost分类器
对新的待识别图
像进行表情识别 得到新的待识别
图像 将找出的遮挡区域
用重构图像的相应
区域代替 ;非遮挡
区域不动 2、3 RPCA(鲁棒主成分分析)2、3 RPCA(鲁棒主成分分析)1)目的:
通过线性变换寻找一组最优的单位正交
向量基(即主成分)用它们的线性组合重
构原样本,并使重构以后的样本和原样本
的均方误差最小。null2)原理:
设输入x 为n 维的零均值的随机向量。W= { w1, w2, ⋯, wm }
为n×m 维的变换矩阵( m< n) , 为变换后的随机向量如果
随机向量x 的第i 主方向 (1)
(2)
传统上:协方差矩阵 s正定wi是特征向量
(3)
实际分析:用统计的方法
(4)
(5) null3) 信号重构误差判别“劣点”样本
令u= Wy 为x 的信号重构, 则e= x- u 为信号重构误差。定义能量函数
(6)
对于具体的样本集, 其估计表达式为
(7)
W 的列向量是单位向量且线性无关。优化是尽量减少降维对原信号造成损失。
满足 z>0阈值 为劣点
主成分提取和信号重构null4) 鲁棒的PCA 算法步骤:
1) k= 0, 设样本集E 中“劣点” 数L ( k ) = 0, 即待处理样本
集F = E;
2) 利用式( 4) 、( 5) 对样本集F 进行PCA, 得到本步估计矩阵
W( k ) ;
3)由上步的W( k) , 用式( 7) 计算原集E 中各样本在本步的重构误
差
4) 迭代步数k+ 1, E 中“劣点”样本数L ( k+ 1) = L ( k ) + 1,
也就是从样本集E 中删除上一步重构误差最大的L ( k+ 1) 个样本, 并
由剩下的样本构成新的待处理样本集F ;
5) W( k+ 1) 是否满足收敛条件, 若满足则迭代结束, 否则转第2 步。
2、4 差值图像的显著检测2、4 差值图像的显著检测把RPCA 重构的图像与原图的差值图像 送入显著性检测器, 寻找高复杂度的局部区域假设为遮挡区域.
将找出的遮挡区域用重构图像的相应区域代替 ;非遮挡区域不动
2、5 特征提取2、5 特征提取类H aar小波特征文献中用的Haar特征2、6 Adaboost算法流程2、6 Adaboost算法流程2、7 创新点2、7 创新点RPCA重构的方法
文献中用的RPCA重构比PCA 重构效果好,但对
遮挡的表情识别不是很有效果,并不是主流推崇的方
法,而且工作量比较大,重构出来的图像和原图像是
有差别的,从而影响了识别率。null
谢 谢