英语原文共 20 页，剩余内容已隐藏，支付完成后下载完整资料
基于飞蛾萤火虫优化算法的智能面部情感识别
摘要
在这项研究中，我们提出了一个包含用于特征优化的演变萤火虫算法变体的面部表情识别系统。首先，我们提出用改进的局部二值模式描述符来产生初始的判别性人脸表示。一种萤火虫算法的变体被提出用来执行功能优化。已经提出的进化萤火虫算法利用蛾类的螺旋搜索行为和萤火虫的吸引力搜索行为，来缓解Levy-flight萤火虫算法（LFA）和蛾火焰优化（MFO）算法过早收敛的问题。具体来说，它利用飞蛾的对数螺旋搜索能力增加萤火虫的本地开发，而与MFO中的火焰相比，萤火虫不仅代表由蛾子确定的最佳解决方案，并且作为搜索代理人，被引导吸引力功能增加全球探索。嵌入了Levy航班的模拟退火也用于促进产生最有前途的解决方案。不同的单个和整体分类器被用于识别七种表达方式。使用从CK ，JAFFE和MMI提取的正面图像和分别来自BU-3DFE和MMI的45度多视角和90度侧视图像进行评估之后，我们的系统表现出了了卓越的性能，并且超越了其他最先进的功能优化方法以及相关的面部表情识别模型。
关键词：面部表情识别；特征选择；演化算法；整体分类器
- 绪论
1.1 介绍
面部表情识别在模式识别、计算机视觉和人机交互中起着重要的作用，并且广泛用于个性化医疗，电子游戏，监视系统，仿人服务机器人和多媒体。在最近的研究中，许多算法着重于人脸识别，性别和年龄估计，以及面部情感分类。 然而，高维度对于这样的应用仍然是一个具有挑战性的问题。 虽然许多功能降维技术已被提出，但仍难以确定最能代表在情绪表情的类别差异之内和之间的最重要的区分特征。
在这项研究中，我们提出了一个具有用于特征优化的演化萤火虫算法变体的面部情感识别系统。拟议系统的主要目标是确定每种情绪的最重要的判别特征类别，以试图解决上述挑战。 它整合了飞蛾的螺旋搜索行为，吸引力搜索萤火虫的行为，以及嵌入的模拟退火（SA）与Levy飞行行为，以增加当地的开采和全球探索，同时缓解Levy-flight萤火虫算法（LFA）[1]的收敛问题和蛾火焰优化（MFO）算法中不成熟的现象[2]。
所提出的系统由三个关键步骤组成，如图1所示。首先，提出了一种新颖的纹理描述符，它结合了本地二进制模式（LBP）Gabor二进制模式（LGBP）和LBP方差（LBPV）[3]的使用来捕获局部空间模式和局部纹理的对比度测量检索初始的区别性面部表示。其次，使用了萤火虫优化算法的拟议变体以确定每个的最重要和有差别的特征情感类别。第三，基于派生的最优功能子集使用单个和整体分类器。承认七种表达（幸福，恐惧，厌恶，惊奇，悲伤，愤怒和中立）。使用CK [4]，MMI[5]和JAFFE[6]的正面图像以及来自BU-3DFE[7]和MMI的45度多视角和90度侧视图像进行评估，经验结果表明我们的系统显示出优越的性能，优于其他最先进的优化方法和相关的面部表情识别模型。
图1 建筑系统
这项研究的贡献总结如下：
1.一种结合了LBP，LGBP和LBPV的新颖纹理描述符被提出导出初始的区别性面部表示。为了更好地处理光照变化，旋转和缩放差异，所提出的描述符能够提取空间模式并且用于面部分析的每个图像区域的对比度量度。实证结果表明它表现优于用于面部表情的常规纹理描述符辨认。
2.LFA变体，称为M-LFA，被提出用于进行特征优化。它探索了飞蛾的螺旋搜索行为和萤火虫的吸引力搜索行为来缓解传统LFA和MFO模型的早熟收敛问题。具体来说，它采用对数螺线寻找飞蛾以增加局部对萤火虫的利用。与MFO的火焰相比，萤火虫不仅仅代表飞蛾确定的最佳解决方案，但是也作为由吸引力功能引导的搜索代理导致萤火虫和相关的飞蛾突然移动增加全局探索。因此，它促进了局部LFA的局部搜索和MFO的全局搜索来指导搜索过程走向全局最优。 SA嵌入Levy flights多样化也被用来进一步改善局部搜索如何确定当前全局最佳解决方案。总而言之，所提出的策略合作避免过早停滞的同时指导搜索过程走向全局最优方案。
3.使用从CK ，MMI和JAFFE数据库以及来自多视图和侧视图的图像提取的正面图像评估出的实证结果表明，BU-3DFE和MMI分别为建议的系统显示出卓越的查找能力同时具有局部和全局最优性，并且在许多传统和最先进的元启发式算法搜索方法，如粒子群优化（PSO），遗传算法（GA），MFO，LFA以及其他PSO和萤火虫算法（FA）变体，非演化特征选择算法，以及其他相关的面部表情识别在文献中报道的模型相比具有显着的优势。
本文按以下方式组织。 面部表情识别相关工作和最先进的功能优化技术在第2节中讨论。第3节描述已经提出的系统的关键阶段，其中包括使用第3.1节中提出的LBP描述符进行提取面部特征，并在第3.2节提出了用于特征优化的M-LFA算法。 第4节介绍分别使用从CK ，MMI和MCI提取的正面图像JAFFE和来自BU-3DFE的多视图和侧视图像MMI对已提出系统的评估。 第5节提出了这项研究的一些结论性意见，并确定了一些进一步的工作方向。
第2章相关工作
在本章中，我们将回顾关于最新研究特征优化和面部表情识别研究。
2.1面部表情识别
最近许多面部表情识别应用已经被提出了。 Zhang等人[8]提出了一种多模式学习从纹理和地标学习联合表示的方法面部图像的模态。结构化正则化（SR）结合在他们的工作中被提出的自动编码器从每种模式学习稀疏性和密度来生成联合代表。在提出的模型特征提取和分类也结合在一起。提出的方法也能够处理表达识别任务头部姿势的变化。用CK 和NVIE数据库进行评估的工作表现优于其他方法。 Ali等人基于分解（EMD）的特征提取[9]提出具有经验模式的面部表情识别系统。 EDM方法将一维面部信号分解成一组固有模式函数（国际货币基金组织），其中第一个被视为面部特征的国际货币基金组织用于表达分类。他们的工作采用了三个特征维度简化技术，即主成分分析（PCA）与线性判别分析（LDA），局部PCAFisher判别分析（LFDA）和内核LFDA（KLFDA），来执行所提取的基于EMD特征的优化。一些包括带有径向基础的极限学习机函数（ELM-RBF）被用来分类七个面部表情。JAFFE和CK 数据库被用于系统评估。Shojaeilangari[10]等人。为了从视频序列中识别脸部表情， 提出了一个命名为优势相位一致性（HDPC）时空描述符。被提出的描述符将阶段一致性概念扩展到3D，并基于ance的功能纳入其中直方图组合来描述运动和出现。实验结果表明，提出的系统能够处理表达识别具有缩放变化和照明变化的任务。根据从CK 和AVEC 2011视频sub-challenge的评估结果显示，这项成果在稳健性和准确性方面表现出色。
Siddiqi等人[11]提出了应用逐步线性判别分析（SWLDA）用于特征提取和隐藏的条件随机场（HCRF）模型进行表达识别的一个面部表情识别系统。在他们的工作中，面部表情分为三类，即以嘴唇为基础的，以嘴唇和眼睛为基础的，和以嘴唇，眼睛，额头为基础。第一步是使用SWLDA和HCRF将输入图像分类为三种类别之一。其次，SWLDA和HCRF仅为特定训练而训练类别被用来确定情绪标签。利用CK ，JAFFE，MMI和扩展耶鲁B人脸数据集进行评估，该成果在识别准确度方面有了显着改善，但是计算成本昂贵。 Neoh等人[12]提出一个具有直接相似性和基于Pareto功能优化的面部表情系统。前者与这一概念微型遗传算法来识别可能代表的特征子集每个表达的共同特征相结合。后者采取了内部以及考虑到多目标特征的类别变化进行优化。与多种整体分类器相结合，在进行CK 和MMI测试时，这项工作取得了骄人的成绩。基于帕雷托的方法也被证明是更有效地处理具有挑战性的正面和侧面图像功能优化。 Zhang等人[13]进行实时3D面部动作单元（AU）强度估计和表达承认。他们的工作采用了最小冗余最大相关性（mRMR）标准在最初提取的原始面部特征中的子集来识别一组16个特征，然后用于估计16个诊断性AU的强度。一种新型的与聚类算法相结合的集成分类器用于六种通用面部表情的分类和检测新来的，看不见的新颖情感类（那些不是包括在训练数据集中）。在他们的工作中在每个集合内被用于新的类别检测，以距离为基础聚类方法和基分类器的不确定性度量。使用博斯普鲁斯海峡三维数据库和真实人体评估，该系统对六种情感和新奇的看不见的表情的识别性能令人印象深刻。
2.2特征选择和优化算法
演化算法由于其令人印象深刻的搜索功能而已被广泛用于特征优化。 在本节中，我们将讨论最新的进化特征优化算法，其中包括最流行的常规搜索算法[14, 15]，如PSO，GA和SA等混合模式。
2.2.1 遗传算法
达尔文的“适者生存”原则促使GA由Holland开发[16]。它采用三个进化算子，即交叉，变异和选择。交叉运算符通过与另一个的相应部分交换部分染色体来产生两个后代。我们雇用了本研究中的单点交叉算子。变异算子随机改变后代染色体的一个或多个位以产生新的遗传特征。确保选择最高质量的染色体并传播到下一代以加强融合算法的性质。 Crossover有助于局部开发以增强收敛性，而突变带来搜索多样性并增加全局探索。根据理论研究，在[0.6,0.95]范围内交叉概率较高通常在推荐的[0.001,0.05]范围内较低的突变概率。这些设置可实现更高水平的局部利用以及全局探索程度较低以达到全局最优性[14]。
2.2.2 粒子群优化
受鸟类植物和鱼类等群体行为的驱使，PSO由肯尼迪和Eberhart [17]提出。在粒子群算法中，大量的粒子跟随领导者在搜索空间中移动，以找到最佳的解决方案。 它记录粒子最好的位置作为个人最好的成绩，p_best，以及整体群体的全局最佳位置最好的，g_best。 PSO采用以下策略来更新每个粒子的位置和速度。
|
|
( ) |
|
|
|
( ) |
总体而言，PSO因为其简单性和灵活性是一种广泛使用的基于群体的算法。 然而，它的勘探能力有限，并倾向于被困在局部的最佳状态[14]。
2.2.3．模拟退火
由Kirkpatrick等人提出[18]，SA模拟退火在材料加工过程中通常需要仔细控制的温度和冷却速度。 SA已被广泛用于不同的优化问题。 SA采用随机搜索技术为全局探索。 它不仅接受更好的解决方案而且还包括那些不太理想的解决方案，其概率p在等式（3）中定义。
|
|
|
( ) |
在SA中，退火时间表（即冷却时间表）控制温度的下降速度，在影响地方开发和全球探索方面发挥重要作用。 在本研究中，我们采用几何冷却时间表，即T =alpha;T，温度下降一个冷却因子alpha;isin;[0,1][14]。 在实践中，SA能够获得全局最优性，但在实践中耗费高昂的计算成本[14]。
薛等人[19]提出了两个基于PSO的多目标特征选择算法。第一种算法并入了非支配性排序到PSO（NSPSO），而第二个算法整合了拥挤，突变和优势的概念转化为PSO（CMDPSO）来解决特征优化问题。他们通过支配排序遗传算法II（NSGAII），强度Pareto进化算法2（SPEA2），帕累托存档进化算法（PAES）在12个基准数据集上比较了两种算法的性能。实验结果表明CMDPSO选择了最小的数字的功能，并且胜过NSPSO，NSGAII，SPEA2和PAES的分类性能和计算效率。Zhang等人从静态和动态角度[15]提出了一种称为GM-PSO的PSO变体来识别最具有判别力的用于觉醒和效价的回归身体表达感知的维度的从静态和动态的运动特征。集成GM-PSO遗传算法与遗传算法和高斯，柯西，和Levy分布来克服传统PSO早熟收敛的问题。它在选择判别特征和发现全局最优中优于GA，PSO等PSO变体。Goodarzi和Coelho[20]提出了一个基于FA适用于光谱学的变量选择的方法。他们使用了了FA，PSO和GA，和偏最小正方形（PLS）分别用于光谱数据选择。评估有三个光谱数据集，FA确定最小波长的数量，同时保持相似的预测性能。 Alweshah和Abdullah[21]提出了两种杂交FA方法优化概率神经网络的权重网络（NN）来改善其分类性能。首个方法与SA（SFA）集成FA，其中SA用于改进FA的最终解决方案。第二种方法结合了SFA利维航班（LSFA）进一步改善全局最佳解决方案。测试了11个基准数据集，LSFA优于SFA和LFA，并有了令人印象深刻的分
全文共12239字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[9080]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
