提出基于白化散度差矩阵的独立元分析算法，增加不同类表情之间的类间距离，减弱人脸个体差异性信息对表情识别的干扰，避免传统的二维主元分析方法（2DPCA）以总体散布矩阵作为产生矩阵，有效地简化了白化实现过程，提高了白化性能，削弱了光照、姿态等噪声对表情识别的影响。该算法首先采用散度差矩阵求白化矩阵，由快速固定点算法（FASTICA）求解样本独立元，最终由最近邻准则实现表情识别。实验结果表明，提出的算法要优于传统的2DPCA及ICA算法,为表情识别提供了一条有效途径。
第11期 李春芝,等:白化散度差矩阵的独立元分析应用于表情识别 4363· (6),可获得训练样本的白化矩阵。再利用ICA算法求得独立率比传统ICA算法高出30多个百分点。 基」空间S,最后利用最近邻法则完成表情识别。在 JAFFE 为了测试d的取值对认别性能的影响,本文在CED-WYL 表情数据库上,再选择每和表情两幅图像作为训练样本,其余(1.0)表情数杯库上,选择每种表情前8幅图像作为训练样 的作为测试样本;接着再利用JAFE数据库另一个人的七种本,其余的作为测试样本,采用2DPCA算法及本文提出算法验 表情(实验对象J)重复刚才的实验。为了证明本文提出的算证d=1,2,…,16时的识别性能,实验结果如图3所示。从图3 法有效性,在 CED-WYU(1.0)表情数据库上进行同样的实验,可见,随着d取值的变化,识别率也在变化,在d≥13时,本文 选取某一个人的七种表情图像,其中每种表情11幅图像,共算法性能趋于稳定;而d≤10时,2DPCA算法识别率很低且不 77幅图像。分别选取每种表情的1、2幅图像作为训练样本,随d的取值变换而变化 其余的留做测试样本,与2DPCA算法、传统的ICA及采用 2DPA进行矩阵白化的CA算法(下文称本文改进的ICA算 去而5-°∵ 法,并且把本文提出的白化散度差矩阵的独立元分析算法称为 嚼 本文算法)进行比较,表情识别结果如表1所示。这里,正确 识别率定义为正确识别的样本数除以参加测试的样本数。 56739101112 表1特定人的表情识别结果 246312121415 nuna ad :rair ng anplas nma如 ETIE.T.必 训练样本 算法 AFFE(H) JAFFE(J)IE CED-WYU(1. 0) 正确识别率/%确识别率/%正确识别率/% 营摄果题南受提醒 2DPCA PCA-ICA 66.6 b)分别在CED-WYU(1.0)表情数据库、JAFF表情数据库 2DPCA-ICA 90.4 90.48 上选择70幅图像进行实验,包括七种基本表情图像,其中每种 presented this pape 95.21 97.4 表情由10幅图像组成(分别由10个不同的人提供)。选择每种 2DPCA 90.4 表情前35、79幅图像作为训练样本,其余作为测试样本,并与 PCA-ICA 2DPCA、传统ICA算法进行比较,实验结果如表2所示。 2DPCA-ICA 4 prescnted in 表2基于不同数据库非特定人的识别结果 this paper 98.7 训练 算法 JAE正确 CED.WYU(1.0) 从表1可知,在JAFF表情数据库上的实验,木文算法正 样本数量 认别率/%正碇识别率/% 2DPCA 确识别率均高于2DP℃A及传统的LCA算法,且本文算法及改 PCA-ICA 进ICA算法正确识别率可达100%。在 CED-WYU(1.0)表情 2DPCA-ICA 42.86 64.29 数据库上,本文算法正确识别率亦均比2DCA、传统CA及改 presented in this paper 2DPCA 62.86 进LCA算法高。 PCA-ICA 3.3非特定人表情识别实验与结果分析 RDPCA-ICA 62.86 presented in this paper 65.71 81.43 a)在CFD-WYU(1.0)表情数据库上进行实验。从CED 2DPCA 75.71 80 WYU(1.0)数据库中选择154幅图像,共七种基本表情,分别 PCA-ICA 由两人每人提供11幅同妽表情图像,每种表情共22幅图像。 2DPCA-ICA 77.14 resented in this paper 84. 19 当每种表情样本按以下顺序排列,即前11幅为一个人的表情 2DPCA 图像,后11幅为另一个人表情图像,选取每种表情前4幅图像 PCA-ICA 作为训练样本,其余作为测试样本。此时训练样本与测试样本 2DPCA-ICA resented in this paper 94. 29 分别为28幅、126幅图像。首先,利用双线性内插法把原始图 像缩小成30×24大小;然后利用式(2)求得散度差矩阵,接着 在表2中,分别列出了基于CED-WYL(1.0)表情数据库 由DCA算法求得协方差矩阵G∈R,从而计算出其特征JA数据库正确识别率。从表2可以看出,在 CED-WYL 值与特征向量。按式(5)求白化矩阵,本文d大小选取12,即(1.0)表情数据库上,随着训练样本数的增加,本文算法均要 取前12个较大特征值对应的特征向量求白化矩阵。此时,白 高于2D℃A、传统CA及改进的CA算法。当取每种表情7 化矩阵E∈R2,根据式(6),可获得散度差矩阵的白化矩阵。 幅样本作为训练样本,其余样本为测试样本时,本文算法正确 识別率及改进LCA算法正确识別率均为100%,分别比 再利用ICA算法求得独立基子空间S,最后,利用最近邻法则 2DPCA及传统ICA算法高出20和27.14个百分点。在 JAFFE 完成非特定人表情识别。在CED-WYU(1.0)表情数据库上 数据库上,本文算法正确识别率亦均高于2DPCA、传统ICA及 再依次选择每种表情前5~12幅图像作为训练样本,其余的作 为测试样本,并与2DPCA及传统ICA算法进行比较,结果如图改进的CA算法。 针对非特定人的表情认别实验表明,本文算法获得了较好 2所示。 的认别结果。主要是因为该算法有效地减弱了头部旋转、面部 从图2可知,基于CED-WYU(1.0)表情数据库,随着训练 遮挡、背景、光照等噪声,同时克服了每个人外观特征、表情表 样本数增加,本文算法在训练样本数取不少于12幅时正确识现方式等的差异性给表情识别带来的难。而2DPCA算法是 别率可达100%,其他算法随着训练样本数增加正确识别率人脸识别领域的经典算法,能够提取人脸的全局特征,即特 为9.35%,始终没有能够达到100%。在样本数小于12帽脸包含了人脸个体差异的信息。人脸个体差异信息给表情识 时本文提出的算法正确识别率比2DCA、传统的CA及改进别带来干扰,导致表情识别率的降低。传统的ICA算法必须 的1CA算法高。其中训练样本数取4幅时,本文算法正确识别把样本转换到列向量空间进行白化,常常导致(下转第4367页) 第11期 张建明,等:基于两次检测闺线的压缩视频关键帧提取 4367 率、查准率与文献[I采用的I帧D系数法(DC法)、文献了压缩视频固有的AC系数的特征,能够比较准确地提取出可 [2]采用的DC系数划分子块法(子块法)、文献[4]采用的I以反映视频主要内容的关键帧,并且弥补了单一利用DC系数 唢AC系数法(AC法)和文献[5]采用的DC系数均值方差法特征信息对视频內容描述不完整的缺陷。其次,采用二次检测 (均值法)进行对比,如图1、2所示。 曲线的方法实现关键帧的自动提取,避免了人为确定关键帧数 量。另外,该方法无须对视频进行全部解压缩处理,计算量小, 08 0.8 可节省时间资源和计算机内存资源。 份0.6 为0.6 构04 参考文献 [1」杨胜,钟玉琢,一种从MPEG斥缩视频流中提取关键帧的方決 动画广告新闻 0 [J].中国图象图形学报,2001,6(3):254-258 电面广告新闻 图1各种算法的查全率 图2各种算法的查准率 「2]胸丹,陈后金.一种压缩域中基于铳头的关键幀提取改进算法 结果分析 结果分析 [J].汁算机应用研究,200),26(9):35393541 由图1、2可知,帧DC系数法和I帧AC系数法提取的关[3]朱映映,周洞汝一种从压缩视频流中提取关键帧的方法J 键帧查全率及查准率相对较低,尤其是I帧AC系数法查准率 计算机工程与应用,2003,39(18):13-1 比较低,由此说明单独使用离散余弦变换后提取的DC系数和[4] ZHONG Dai-h, DEFEE I. DCT histogram uplimizalion for image da tabase retrieval [J|. Pattern Recognition Letters, 2005, 26( 14) AC.系数作为特征提取关键帧的方法所得到的关键帧准确度不 2272-2281 高。相对于前两种单独使用离散余弦变换后的一个特征所得[51 AEINI F, MAHMOUDI F. New approach for retrieve images by using 的方法,将DC系数划分块方法的查全率、查准率相对较高 DCT blocks[C// Proc of International Conference on Advanced 但是划分子块的阈值却是难以确定的。在实验的过程中,DC Computer Theory and Engineering.[S1.1: IEEE, 2010: 73-7 系数均值和方差的方法虽然节省了时间,但是所提取的关键帧6 ang- xia, 1a0-jun, ey frame execution based on kme 准确性不及本文方法。综上可知,本文提出的压缩域下基于两 ans results to adjacent DC images similarity[C]//Proc of the 2nd In ternational Conference on Signal Processing Systems. [S.1. ]: IFFE 次曲线曲率检测的关键帧提取算法克服了特征选取比较单 2010:611613 的缺点,使提取的关键帧查全率要高丁传统的算法。由丁本文(7] GUO Xiao-iu, SHI Fang-xi, uick extracting key frames from com 采用两次扫描曲线筛选关键帧,因此提取的关键帧査准率相对 pressed video[ C]//Proc of the 2nd International Conference on Car 较高。 puter Engineering and Technology. [S1.]: IEEE, 2010: 163-165 [8]何利,刘群.基于多特征融合和小波去噪的镜头渐变检测方法 4结束语 J.重庆邮电大学学报:自然科学版,2009,21(5):690-694 1 9 WA IS, MAN L. A new key frame representation for video segment 本文提出了一种新的压缩域下提取视频关键帧的方法 retrieval[J. IEEE Trans of Circuits and Systems for Video 该方法在只利用DC系数提取压缩视频关键帧的基础上添加 Technology,2005,15(9):1148-1155 (上接第4363页)陷入高维计算,在把样本转换到列向量空间的参考文献 同时丢失了对表情识别有用的信息,而利用2DPCA算法求样 [1 CHEN H Y, HUANG C L, FU C M. Hybrid-bousl leaning for mulli 本的白化矩阵虽然能够简化白化过程,但是却没有充分利用不 pose face detection and facial expression recognition J. Pattern 同种类表情之间的类间方差。综上,白化散度差矩阵的独立元 Recognition,2008.41(3):1173-1185 分析是一种有效的表情识别算法。 [2]朱明旱,罗大庸,王一年.基于图像重建的表情识别算法[J].中困 图象图形学报,2010,15(1):98-102 4结束语 [3 SUN Ning, W\G Hai-xian, JI Zhen-hai, et al. An efficient algorithm 本文根据人睑面鄙表情是由于肌肉牵引将正常的人脸变 for kernel two-dimensional principal component analysis[ J]. Neural 形为有表情的人脸,提出求训练样本矩阵和无表情图像矩阵的 Computing Applications, 2008, 17(1): 59-64 [4 CHEn Fan, KOTANI K. Facial expression recognition by supervised 散度差矩阵,从而扩大类问间距,为更有效地提取表情特征作 independent component analysis using MAP estimation LJ. IEICE 铺垫;用2DPCA算法对散度差矩阵大相关、降维、求训练样本 Trans on Information and Systems, 2008, E91-D(2): 341-350 白化,减弱头部旋转、而部遮挡、背景、光照等噪声;由快速固定 [5 ZHOU Shu-ren, LIANG Xi-ming, ZHU Can. A method of expression 点算法求得独立元,选取若下独立子空间作为投影空间,充分 eature extraction using optimized ICA[C]//Proc of the 26th Chinese 利用表情识别对面部不同部位信息依赖程度不同的特点,将人 Control Conference. 2007. 563-566 脸图像的个体信息与表情信息进行有效分离,摈弃人脸个体差[6]吕糞,汪渤,高洪民,等,图像局部特征识别中的多目标分离[ 异性、表情表现方式等差异性信息,提取表情识别中需要利用 光子学报,2008,37(8):1708-1712 的各种表情之间的差异信息、。在特定人和非特定人表情识别「71徐正光,闫恒川,张利欣,基于表情识别的独立成分分析的方法研 实验屮,本文提出的算法相对于传统算法均提高了表情识别的 究[J.计算机工程,2006,32(24):183-185 正确率,本文算法在特定数据库上表情识别率可达100%。提[8] HAVARINEN A,OJAE. Independent component analysis: algorithm 高复杂环境背景下的表情识别性能有待进一步研究。 and applications[J]. Neural Netwarks, 2000, 13(4): 411 430