[发明专利]一种改进线性鉴别分析降维的笑脸识别方法

说明书

技术领域

本发明涉及模式识别与人工智能技术领域，特别涉及一种改进线性鉴别分析降维的笑脸识别方法。

背景技术

笑脸识别技术是指识别出一幅静态人脸图像，或一段动态视频中的人脸是否为笑脸表情的一种技术。笑脸识别技术属于模式识别与人工智能技术领域，可以将其理解为人脸表情技术的一个子集。人脸表情识别一般是指将人类的表情分为七类（中性，快乐，害怕，悲伤，生气，厌恶，鄙视），对静态图片或视频中的人脸表情进行自动分类。但是，表情识别技术还不够成熟，还未能真正在实际中应用。相对而言，笑脸识别技术更易实现，也更具实用性（除了中性，笑脸是人类最易做出的表情），因此市场上已出现一些笑脸识别技术的应用。例如，以笑脸识别功能为卖点的数码照相机和数码摄相机的问市，就是笑脸识别技术的典型应用。

笑脸是人脸表情的一个关键表情，其识别也是一项重要有待解决的问题。目前申请号为CN200710203477.X的专利申请文件提供一种笑脸追踪方法，该方法通过相机模块的镜头拍摄图片；将拍摄的图片转换成黑白图片；读取所述黑白图片上的各个点的亮度值；通过亮度值及脸部的基本轮廓截取图片中的头像图形，及在上述截取的头像图形中截取嘴唇图形；比较上述截取的嘴唇图形与相机模块保存的人脸微笑时嘴唇图形的相似度，通过这个相似度来实现笑脸的区别，从而确定拍摄的图片是否存在相机里面。此方法只用模板匹配的方法，只有当所摄人物已在数据库中，此方法才非常有效，而且此方法来依赖于阈值，需要很好的经验判断。申请号为CN200710173678.x的专利申请文件介绍了一种手机相机捕捉笑脸的方法，该方法克服现有技术中使用手机拍照不易捕捉最佳拍摄时机和被拍者最佳表情的缺陷。首先通过人脸检测得到人脸，提取人脸重要器官的位置参数信息；对人脸实施跟踪，分析嘴的中心，当检测到人的嘴在笑时，焦点会自动锁定脸部，进行拍摄。此发明只是利用笑脸来进行辅助相机拍摄，而且笑脸检测方法过于简单，只满足一些简单的应用场合。

发明内容

本发明的目的在于克服上述笑脸识别技术的不足，提供一种改进线性鉴别分析降维的笑脸识别方法。

本发明采用的技术方案为：笑脸识别中使用Gabor特征和利用改进线性鉴别分析进行特征降维；最终，支持矢量机分类器实现笑脸与非笑脸的区别，

本发明的目的通过下述技术方案实现：

（11）基于Haar特征与AdaBoost算法的人脸区域定位；

（12）人脸区域Gabor特征矢量的提取；

（13）改进线性鉴别分析对人脸区域Gabor特征矢量的特征降维；

（14）支持向量机对降维后的Gabor特征矢量进行训练与识别。

所述改进线性鉴别分析对人脸区域Gabor特征矢量的特征降维，其具体步骤如下：假设子空间是由一系列矢量                                                （）组成，将这些矢量组成矩阵，每个人脸区域中Gabor特征矢量是一个样本，为了改进传统线性鉴别分析的方法，本发明定义类间散度矩阵和类内散度矩阵为：

是样本的类别总数，表示训练样本数量，是第类中样本的个数，是样本的权重值， 是第类所有训练样本的均值，表示所有训练样本的均值，是第类中第个训练样本，表示在第i类中的非j样本；再利用公式。求取最优的改进线性鉴别分析的投影矩阵；利用投影矩阵对训练样本进行投影，得到特征矢量就是原始特征。

所述Gabor特征是一种纹理特征，Gabor特征是一种非常规范的特征提取算法，提取Gabor特征时，Gabor滤波器具有4个方向（）和5个尺度（）。

所述支持向量机采用二类支持矢量机分类器对特征向量进行训练以及识别。

人脸区域定位和特征提取所针对的是测试图像，而训练与识别部分是针对训练样本集中的所有图像。训练与识别部分的改进线性鉴别分析不再需要进行投影矩阵的计算，而是直接利用特征提取时得到的投影矩阵，将Gabor特征乘上投影矩阵，从而将特征转换到鉴别子空间的特征，在鉴别子空间上截取低维部分，达到特征选择目的。

与已有的笑脸识别方法相比，本发明具有以下优点：

（1）本发明的改进线性鉴别分析对特征进行有效降维，低维的特征在分类器训练和测试过程中，易实现且训练时间大大缩减；

（2）本发明的改进线性鉴别分析重新定义了类间散度矩阵S_b和类内散度矩阵S_w，克服传统线性鉴别分析的多模态缺点；