【摘要】：实现基于图像处理的面部特征提取与表情识别，要考虑到所使用的分类方法是否易于编程实现、软件系统是否方便应用，另外还要考虑程序运行的速度。系统的设计思想确定之后，就可以对系统总体结构进行设计。图10-2 基于表情区WPCA的表情识别系统框图表情区分割模块 先利用自适应二阶拉普拉斯算子得到多尺度边缘提取图像，再进行二值化，最后利用基于对称性的积分投影方法和人脸先验知识分割表情区。
实现基于图像处理的面部特征提取与表情识别，要考虑到所使用的分类方法是否易于编程实现、软件系统是否方便应用，另外还要考虑程序运行的速度。为此，本系统采用基于表情区加权主成分分析（WPCA）的特征提取和识别方法，表情识别系统框图如图10-2所示。该方法的主要特点是，建立训练模板便捷，匹配和识别容易实现，流程相对简洁。
系统的设计思想确定之后，就可以对系统总体结构进行设计。系统主要分为两个部分：一部分是建立表情模板（子空间）；另一部分是匹配识别。两部分都要用到图像的读取、图像预处理、表情区分割、特征提取、匹配识别模块。对各部分介绍如下：
（1）图像的读取模块 其中包括两部分图像的读取：CMU表情库中的图像和我们实时采集的面部表情图像。
（2）图像预处理模块 对于人脸大小相同的灰度人脸图像，采用图像处理的基本方法，滤掉噪声、光照等的影响。
(www.xing528.com)
图10-2 基于表情区WPCA的表情识别系统框图
（3）表情区分割模块 先利用自适应二阶拉普拉斯算子得到多尺度边缘提取图像，再进行二值化，最后利用基于对称性的积分投影方法和人脸先验知识分割表情区。
（4）特征提取模块 该模块主要利用面部图像空间的相关性，提取图像的加权统计特征，换句话说，就是要得到映射模板，并保存到表情模板库中。
（5）匹配识别模块 将新样本映射到特征空间后，通过计算向量间的欧氏距离，得到模板间的相似度，最后应用最近邻法进行识别。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
