基于GMM的Bayes错误率估计理论与非正面表情识别研究

面部表情识别是计算机视觉和模式识别研究领域的一个前沿性课题，目前的研究工作主要集中在正面或近似正面的人脸图像上。非正面人脸图像的表情识别是表情识别研究领域中非常重要且极富挑战性的研究课题,该研究主要涉及以下3方面内容：（1）非正面人脸图像的情感特征提取和特征表示；（2）高维情感特征矢量的维数降低（特征选择）；（3）情感识别分类器设计。为此，本项目将在申请人原有表情识别研究工作的基础上（相关成果已发表在ICCV、NIPS等顶级国际会议），进一步深入开展非正面人脸图像的表情识别研究，提出以图像片 (image patch)为单位的密集型情感特征提取方案以及基于区域协方差矩阵的情感特征表示方法，同时提出基于高斯混合模型（GMM）的情感特征概率密度函数估计方法以及建立基于GMM的最小贝叶斯错误率估计与数据降维新理论，并在此基础上建立非正面人脸图像的表情识别方法理论体系和相应的原型系统。

本项目主要开展基于贝叶斯错误率估计的数据降维方法和非正面人脸图像的表情识别问题研究，在判别分析的理论和算法研究以及多视角面部表情图像的特征提取、表情特征选择以及表情分类等方面提出了一系列新的方法和算法。通过3年的研究工作，课题组圆满完成了预期的研究目标，并取得了创新性的研究成果，在国内外权威刊物、国际重要会议上发表学术论文17篇，其中SCI论文6篇，EI论文11篇。申请了7项国家发明专利，另外有3项发明专利得到授权。主要研究成果发表在《IEEE Transactions on Affective Computing》、《IEEE Transactions on Neural Networks and Learning Systems、《Pattern Recognition Letters》以及《IEEE Signal Processing Letters》等国际权威刊物以及《International Conference on Pattern Recognition (ICPR)》、《IEEE International Symposium on Circuits & Systems (ISCAS)》等国际重要会议上。在项目执行过程中以课题为依托，培养了8名硕士研究生顺利完成学业，并分别获得了硕士学位。