[发明专利]基于谱稀疏典型相关分析的表情语义稀疏量化方法

说明书

技术领域

本发明公开了基于谱稀疏典型相关分析的表情语义稀疏量化方法，属于图像处理的技术领域。

背景技术

采用基于图像稀疏表达的方式来提高面部图像的表情识别性能是当前面部表情识别邻域中新的研究方向。在通常情况下，从摄像机获取的人脸图像往往受到光照、图像噪声等多种因素的影响，使得表情识别的准确性和鲁棒性受到影响。一方面，光照和噪声的存在使得同一类表情图像的存在很大的差异性，增加了表情特征提取的难度。另一方面，从表情识别角度看，人脸的身份信息变成影响表情识别准确性的障碍。由此可见，在表情识别中去除图像的噪声部分，并着重提取与表情相关的信息而尽量去除与人脸身份相关的信息，是提高表情识别性能的重要方法。

目前，面部表情识别方法可以大致划分为两种类型，即基于分类器的表情识别方法和基于回归分析的表情识别方法。前一种方法需要在表情识别之前先确定某一分类器，然后基于该分类器将面部表情图像划分到六种基本情绪（高兴、悲伤、生气、空间、惊讶、厌恶）中的某一种。与前一种方法不同，基于回归分析的方法则先建立表情特征和情感语义特征之间的回归方程，然后直接运用该回归方程实现对表情语义特征的预测，从而实现对表情图像的识别。另外，同基于分类器的表情识别方法相比，基于回归分析方法的一个优点是它不仅能有效进行表情的分类，而且还可以识别出每种情感语义信息的量化大小。在基于回归分析的表情识别方法研究中，基于典型相关分析的方法是目前较流行的一种方法，在表情识别中得到重要应用。

在本发明之前，基于典型相关分析的表情回归方法是把提取的表情图像特征直接应用于情感语义信息的回归计算，没有考虑图像中的噪声影响以及所提取的表情特征之间存在的冗余等问题。另外，回归方程中所得到的情感语义特征没有量化约束，缺乏稀疏性，使得相互矛盾的两种情绪（比如快乐和悲伤）同时存在，缺乏情感语义信息的可解释性。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于谱稀疏典型相关分析的表情语义稀疏量化方法。

本发明为实现上述发明目的采用如下技术方案：

基于谱稀疏典型相关分析的表情语义稀疏量化方法，包括如下步骤：

步骤1，从训练人脸表情图像样本集中提取表情特征矢量集、情感语义特征矢量集；

步骤2，利用谱稀疏典型相关分析方法得到投影方向矩阵，将表情特征矢量集和情感语义特征矢量集按照投影方向矩阵投影得到表情投影矢量集、情感语义投影矢量集；

步骤3，计算最佳变换矩阵，所述最佳变换矩阵使得表情投影矢量集按照最佳变换矩阵变换后与情感语义投影矢量集的均方误差最小；

步骤4，对于待测试人脸表情图像进行特征提取，获得待识别人脸表情图像的Gabor表情特征矢量、情感语义特征矢量，将所述Gabor表情特征矢量、情感语义特征矢量按照步骤1至步骤3所述的训练人脸表情图像样本集的线性关系变换，得到识别结果。

所述基于谱稀疏典型相关分析的表情语义稀疏量化方法中，步骤1的具体实施如下：

步骤1-1计算表情特征矢量集的协方差矩阵，对协防差矩阵进行奇异值分解得到白化矩阵；

步骤1-2，用白化矩阵白化处理表情特征矢量集，利用模糊K近邻算法计算白化处理后的表情特征矢量集得到情感语义特征矢量集。

所述基于谱稀疏典型相关分析的表情语义稀疏量化方法中，步骤2中利用谱稀疏典型相关分析方法得到投影方向矩阵的具体实施如下：

步骤a，给表情特征矢量加L1正则项，采用方向交错优化法求解表情特征矢量集的稀疏变换矩阵；

步骤b，对表情特征矢量集的稀疏变换矩阵进行奇异值分解，取训练人脸表情图像样本集平均错误率最小时对应的L1正则项参数为最佳投影参数；

步骤c，确定阈值，利用典型相关分析方法得到投影方向矩阵。

本发明采用上述技术方案，具有以下有益效果：本发明的优点和效果是通过将稀疏表达方法结合到CCA方法的谱选择中，有效去除表情图像中的噪声干扰以及获取与情感信息相关的特征部分，有助于提高表情识别的准确性，实现对人脸图像的噪声过滤、人脸身份信息过滤，从而得到识别率更高、鲁棒性更好的表情识别效果。

附图说明

图1为在每幅样本表情图像上提取34个基准点的位置。

图2为日本女性人脸表情库中部分人脸表情图。

图3为不同参数λ取值下在训练样本数据集上取得的平均错误率。

图4为不同稀疏性条件下得到的识别结果比较。

具体实施方式