[发明专利]一种结合降维和认知引力模型的人脸表情识别方法

说明书

本发明公开了一种结合降维和认知引力模型的人脸表情识别方法，包含训练过程和识别过程。训练过程包含步骤：(1)使用基于金字塔的梯度方向直方图提取训练样本的特征；(2)训练增强型长程相关反馈维数约减方法，获得维数投影映射；并将训练数据从高维空间映射到低维空间；(3)计算训练样本的质量；测试过程包含步骤：(1)使用基于金字塔的梯度方向直方图提取训练样本的特征；(2)根据训练阶段获得的维数投影映射对测试数据降维；(3)计算测试数据的质量；(4)计算测试数据与训练数据之间的引力；(5)根据引力获得测试样本的类别。具有显著提高了性能等优点。

技术领域

本发明涉及一种图像处理、维数约减、情感计算和模式识别技术，特别涉及一种结合降维和认知引力模型的人脸表情识别方法。

背景技术

随着信息技术的不断发展，社会发展对情感计算提出了更高的要求，有广泛的应用价值。例如在人机交互方面，一个拥有情感能力的计算机能够对人类情感进行获取、分类、识别和响应，进而帮助使用者获得高效而又亲切的感觉，采用情感计算技术探测驾驶司机的精力是否集中，感受到的压力水平等，并做出相对反应。此外，情感计算还能应用在机器人、智能玩具、游戏、电子商务等相关产业中，以构筑更加拟人化的风格和更加逼真的场景。情感也反映了人类的心理健康情况，情感计算的应用可以有效地帮助人们避免不良情绪，保持乐观健康的心理。

人的面部表情，语音，生理指标等都能在一定程度上反映人类的情感。本发明涉及人脸表情识别中的维数约减和分类。目前使用到人脸表情识别中的维数约减方法有很多，如主成分分析方法(Principal Component Analysis PCA)正交局部投影保持(OrthogonalLocality Preserving Projections OLPP)，以及偶子空间非负矩阵分解等。但是这些方法不能同时最小化类内距离，最大化类间距离，以及在低维空间中保持高维空间中的流形结构。近年来提出了较多的能同时实现上述3个目标的维数约减算法，其中一种称为长程相关反馈的维数约减算法RF(Long-term Relevance Feedback)对多媒体数据有较好的效果。但是该方法不能直接应用于人脸表情识别，因为抽取的特征不仅包括用于人脸识别的特征也包括表情识别的特征，而人脸差别很大的人却可能有相同的表情，这使得同一表情的人脸样本之间的距离较大，这样的距离对目标函数用于表情识别造成负面影响。为此本发明对最小化离得较远但属于同一类别的样本之间的距离进行一定的惩罚，并据此提出一种能克服上述缺点的维数约减方法，称之为增强型长程相关反馈ERF维数约减算法(EnhancedLong-term Relevance Feedback)。

ERF除了能克服RF的缺点外，还能从训练数据中提取到样本的密度信息，而这个信息有利于分类。传统的分类器如支持向量机(Support Vector Machine SVM)，稀疏表示分类(Sparse Representation-based Classifier SRC)，K-近邻分类(KNN)等都不能很好的使用样本的密度信息。而一种基于认知引力模型的分类器能够利用样本的密度信息，但是该方法使用自信息估算引力模型的质量，而自信息既随着样本密度的变化而变化，又随着训练样本个数的变化而变化，使得样本之间的引力估算不准确。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种结合降维和认知引力模型的人脸表情识别方法，该人脸表情识别方法简单，易于实现，是一种认知引力模型提出了一种新的质量计算方法和认知引力计算方法。

本发明的目的通过下述技术方案实现：一种结合降维和认知引力模型的人脸表情识别方法，包括以下步骤：

(1)使用基于金字塔的方向梯度直方图(Pyramid of Histogram of OrientedGradients PHOG)提取测试样本x的特征，称为PHOG特征；