导　　师： 张星明

授予学位： 博士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 人脸表情识别技术可以广泛应用于机器人、虚拟现实、数据挖掘等领域。是机器理解人类情感,进行更为有效的人机交互的前提条件;也是对大批次人脸图像进行语义挖掘,乃至实现人类心理问题自动分析的重要技术手段。然而,目前的表情识别技术一般容易受到表情识别环境的约束,只能在对人脸光照与姿态进行一定约束的条件下进行有效识别,难以满足应用需求。因此,研究在非约束条件下,即在不对光照与姿变进行约束的条件下,进行人脸表情识别具有一定的必要性和应用前景。总体而言,本文对非约束条件下表情识别技术的研究分别从两个方面入手:首先,研究对人脸图像进行光照与姿态进行标准化;其次,研究提高表情判别模型对人脸光照与姿态的鲁棒性。具体而言,进行了以下几个方面的研究工作:1、提出了一种基于高斯差分正则化方法的人脸光照标准化算法。为提高TV模型对于光照边缘与大尺度纹理边缘的区分能力,本文以L0高斯差分范数替代L2梯度范数,提出使用L0高斯差分范数的TV改进模型实现人脸图像的光照标准化。由于L0范数导致模型无法直接求解,引入代表图像纵横高斯差分响应的影子变量,迭代地优化影子变量的L0正则化子式与以影子变量作为高斯差分响应的图像平滑子式,从而实现了L0高斯差分范数TV模型的求解。该方法能够有效地去除人脸图像的大面积阴影与曝光局部,即使在黑白图像中亦能有效地还原出人脸图像的本色且保留人脸图像的表情细节。2、提出了基于点集细分的快速人脸特征点检测算法。本文在监督梯度下降法的思想框架下,使用点集细分的方法对人脸特征点检测模型进行了约简。该方法首先提取各特征点之间的协相关系数,然后使用谱聚类对人脸特征点进行划分,并依划分结果对分组的特征点标记进行PCA降维,极大地�

关 键 词： 非约束条件 表情识别 光照与姿态 标准化 深度学习

领　　域： [] []