[发明专利]基于多尺度LBP和稀疏编码的大规模人脸表情识别方法

说明书

技术领域

本发明涉及一种人脸识别方法，尤其是人脸表情的识别方法。

背景技术

人脸表情识别是模式识别、人机交互和生物特征识别等领域涉及的重要研究方向，目前已成为国内外研究的热点。人类最常见的六种基本表情为高兴、悲伤、愤怒、惊讶、恶心与恐惧。不仅人脸的外形存在较大的变化，而且六种表情之间也存在细微的变化。因此，表情识别需要忽略不同人脸的变化，着重识别人脸表情间的差别。文献1“X.Wang,X Feng,and J Peng.A Novel Facial Expression Database Construction Method based on Web Images.In Proc.of the Third Intl.Conf.on Internet Multimedia Computing and Service(ICIMCS'11).2011,pp124-127”提出构建大规模人脸表情数据库的方法，对六种基本表情，从互联网上下载2000幅图片，并通过交互式过滤，得到每种表情的500幅图片，以此构成大规模人脸表情数据库。该方法构建了大规模的人脸自然表情数据库，增加了表情样本容量，但是数据库中人脸的变化比较大，传统的表情特征对人脸变化较敏感，且容易受人脸遮挡，光照变化的影响，具有较差的鲁棒性；同时k近邻等传统的表情识别方法在训练样本中难以找到比较相似的表情，大规模的表情样本具有较大的稀疏性，影响了识别的准确率。

发明内容

为了克服现有技术的不足，本发明提出一种基于多尺度LBP(Local Binary Pattern，局部二值模式)和稀疏编码的大规模人脸表情识别方法，其目的是以多尺度LBP和稀疏编码的方式提高表情识别的鲁棒性，解决大规模人脸表情特征的稀疏性，进而提高表情识别的准确率。

为解决大规模人脸表情识别问题中的鲁棒性和稀疏性问题，本发明提出基于多尺度LBP和稀疏编码的人脸表情识别方法。该方法的思路如下：首先建立大规模的人脸表情数据库，使用随机抽样技术生成训练数据库与测试数据库；其次，使用多尺度的LBP特征来表示人脸的表情特征，进而生成稀疏编码方法所需要的字典；最后，对新的表情样本求解最优稀疏系数，通过累加不同表情的稀疏系数来识别表情样本。

本发明解决其技术问题所采用的技术方案主要包括以下步骤：

(1)大规模表情数据库的建立

针对每种表情，每种表情下载N₁幅图片，N₁为任意整数，六种表情共6*N₁幅图片，并通过使用AP聚类算法对每种表情图片进行聚类，人工选择出与每种表情最一致的图片聚类中心，每种表情得到N₂幅图片，N₂为任意整数，构成大规模人脸表情数据库，该大规模人脸表情数据库共有6*N₂幅表情图片；利用AdaBoost方法对大规模人脸表情数据库中的图片进行人脸检测和归一化处理；从每种表情的N₂幅图片中随机抽取M幅图片作为该类表情的训练数据库，所有表情组成的训练数据库包含6*M幅图片，剩余的该类表情图片作为测试数据库；

(2)多尺度LBP特征提取

将人脸按照水平方向和垂直方向划分为n×n等大小的子块，n为任意整数，针对每个子块分别计算其多尺度的LBP直方图，计算方法如下：每个像素点某尺度上的LBP_P,R值为：

其中，g_c为像素点的灰度值，g_p为该点半径为R的圆上P个等距离像素点的灰度值，p＝0，…，P-1，这些灰度值对应的是对称圆形邻域，当g_p≥g_c时，s(g_p-g_c)取1，当g_p＜g_c时，s(g_p-g_c)取0，公式(1)中不同的R代表不同的尺度，对于每个子块不同半径内不同尺度的LBP值，统计L种LBP模式的统计直方图，即统计出每种LBP模式在整幅图像中出现的频率，然后将L种LBP模式的出现频率级联形成该子块的直方图，长度为L；

将各子块多个尺度上的直方图组合起来，构成每幅表情图片的LBP特征，具体连接方式为：第m块区域的直方图表示为H_m，m＝1,2,...,n×n，其中n×n表示人脸表情图像分为n×n块，一幅完整图像的多尺度LBP特征表示如下：