[发明专利]基于粗糙集与混合特征的人脸表情识别方法

权利要求书

1.一种基于粗糙集与混合特征的人脸表情识别方法，包括如下步骤：

进行人脸检测；

采用主动表观模型和粗糙集相结合的方法提取表情的局部几何形变特征；

采用改进的加权主成分分析法和粗糙集相结合提取表情的整体特征；

采用高维小样本下的核典型相关分析对提取到的局部几何形变特征和整体特征进行特征融合消除特征冗余，得到融合后的典型特征；

利用融合后的特征作为离散HMM的观察值向量，进行分类识别，得到分类结果。

2.如权利要求1所述的基于粗糙集与混合特征的人脸表情识别方法，其特征在于：采用主动表观模型和粗糙集相结合的方法提取表情的局部几何形变特征的步骤中，采用采用AAM算法提取出描述人脸中的眉毛、眼睛、鼻子、嘴巴等这些器官形状和结构关系变化的几何描述作为识别特征，使用AAM算法搜索定位出人脸各个关键特征点的位置，选用眉毛、眼睛、鼻子、嘴巴、下颌区域的共32个关键点，然后计算出不同特征点之间的不同距离作为特征参数。

3.如权利要求2所述的基于粗糙集与混合特征的人脸表情识别方法，其特征在于：采用主动表观模型和粗糙集相结合的方法提取表情的局部几何形变特征的步骤中，采用改进的粗糙集属性约简方法对得到的距离特征进行选择，特征选择后，每幅图像选出14个主要距离参数。

4.如权利要求3所述的基于粗糙集与混合特征的人脸表情识别方法，其特征在于：采用改进的加权主成分分析法和粗糙集相结合提取表情的整体特征的步骤中，对于一个待测图像序列，首先采用改进的加权主成分分析方法，构造一个以两个眼睛和嘴巴为羽化中心点的三中心双向高斯函数作为加权函数用于识别，加入水平、垂直两方向的渐变比例系数，实现加权区域的双向可调，分散地强调对表情变化有重要贡献的眼睛、眉毛、嘴巴这三个点的位置信息，使面部表情特征更加突出。

5.如权利要求4所述的基于粗糙集与混合特征的人脸表情识别方法，其特征在于：采用改进的加权主成分分析法和粗糙集相结合提取表情的整体特征的步骤中，经过改进的加权主成分分析法获得52×10的特征向量矩阵，针对维数较高问题，依然采用改进的粗糙集属性约简方法对得到的每幅图像的52维特征向量进行约简，由此便得到表情序列的24×10的特征向量矩阵，将其向量化为240维的列向量，构成一个图像序列的整体特征，则一个图像的整体特征向量由240维的向量组成。

6.如权利要求5所述的基于粗糙集与混合特征的人脸表情识别方法，其特征在于：采用高维小样本下的核典型相关分析对提取到的局部几何形变特征和整体特征进行特征融合消除特征冗余，得到融合后的典型特征的步骤中，采用典型相关分析方法对上面提取到的两种特征进行特征融合，在融合前需要对数据集分别作标准化处理，再选用合适的核函数类型，上面提取到的局部几何特征和整体特征进行融合，特征融合之后的特征向量z'的维数为40维，通过归一化处理作为离散HMM的观察值向量。

7.如权利要求6所述的基于粗糙集与混合特征的人脸表情识别方法，其特征在于：利用融合后的特征作为离散HMM的观察值向量，进行分类识别得到分类结果的步骤中是将融合后得到的40维的特征向量归一化后作为HMM的观察值向量，根据输入的观察值，每个训练好的模型求p(o/λ_i)，1≤i≤6。若i^*＝argmax_1≤i≤6[p(o/λ_i)]，则i^*即为该段表情序列所属表情类别。