灰度共生矩阵与混沌遗传优化：单幅图像表情识别新策略

本文主要探讨了一种创新的人脸表情识别方法，结合了灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）和混沌遗传优化算法（Chaos Genetic Algorithm, CGA）。在人脸表情识别这个关键领域，表情是人类情绪的重要载体，自动化识别技术在人脸识别、人机交互以及行为科学和医学研究等方面具有广泛应用。 通常，人脸表情识别分为三个核心步骤：ROI（感兴趣区域）检测、特征提取和表情分类。在单幅图像中，由于表情信息相对有限，识别任务更具挑战性。传统方法如模板匹配和特征提取（如PCA和Gabor过滤）虽然在各自阶段有所优化，但它们之间的步骤依赖关系往往需要人工干预，限制了算法的自动化程度。 本文提出的新方法通过混沌遗传算法改进了这一过程。CGA允许ROI检测与特征提取这两个步骤在算法的迭代过程中自然融合，减少了人工干预，从而提高了识别效率和精度。这种结合GLCM的特性，如纹理分析，与遗传算法的全局搜索能力，使得系统能够更有效地捕捉表情的细微变化。 HernándezB等人曾尝试利用遗传算法和灰度共生矩阵在红外人脸表情识别中取得成果，但他们的方法存在个体随机性导致空间分布不均匀的问题。相比之下，本文的CGA解决方案有望克服这些局限，提供更稳定和准确的表情识别性能。 本文的研究着重于提升单幅图像人脸表情识别的自动化水平，通过引入混沌遗传优化算法，优化了ROI检测和特征提取的联合处理，旨在提高人脸表情识别系统的整体性能，对于推动该领域的发展具有重要意义。