[发明专利]表情特征提取方法及装置

说明书

技术领域

本发明涉及图像分析领域，具体而言，涉及一种表情特征提取方法及装置。

背景技术

生物特征识别随着模式识别与人工智能等技术的不断发展而受到广泛的关注。如今主要有指纹识别、人脸识别、语音识别、掌纹识别、视网膜识别、虹膜识别及面部表情识别等生物特征识别。其中，面部表情识别对人类情感理解、心理状态及情绪变化的判断有着非常重要的理论意义及实际的应用价值。

现有技术中表情特征提取主要基于整个面部在产生表情时其肌肉运动所带来的形状变化来考虑，存在运算过程复杂的问题，导致表情特征提取速度缓慢。且现有技术的表情特征提取缺少局域性，导致获取的图像未保留原始面部图像的精细结构，无法反映面部图像的边缘轮廓信息，表情识别率不是很高。

发明内容

为了克服现有技术中的上述不足，本发明的目的在于提供一种表情特征提取方法，应用于电子终端，所述方法包括：

获得图像库中包括多种预设表情的面部图像；

根据所述面部图像，通过PCA算法计算获得各面部图像的全局表情特征；

根据面部器官对表情识别的贡献程度，将所述面部图像划分为多个面部器官识别区域；

根据不同所述面部图像中每个面部器官识别区域的数据，通过LDP算法计算获得所述面部图像每个面部器官识别区域的区域纹理特征；

基于所述面部图像的全局表情特征及所述每个所述面部器官识别区域的区域纹理特征，加权计算获得所述面部图像的融合表情特征向量。

进一步地，在上述方法中，所述根据所述面部图像，通过PCA算法计算获得各面部图像的全局表情特征的步骤包括：

根据所述面部图像数据，获得每个所述面部图像的像素矩阵向量；

根据多个所述面部图像的像素矩阵向量，计算获得所述图像库中面部图像的平均像素矩阵向量；

根据每个所述面部图像的像素矩阵向量及所述平均像素矩阵向量，计算获得每个所述面部图像的标准矩阵向量，其中，所述标准矩阵向量为各所述面部图像的像素矩阵向量与所述平均像素矩阵向量的差；

根据每个所述面部图像的标准矩阵向量，计算获得所述图像库的总体散布矩阵；

根据总体散布矩阵得到所述图像库的特征向量组；

根据所述特征向量组的特征子空间得到各所述面部图像的全局表情特征。

进一步地，在上述方法中，所述根据面部器官对表情识别的贡献程度，将所述面部图像划分为多个面部器官识别区域的方式包括：

将所述面部图像划分为眼部识别区域及嘴部识别区域。

进一步地，在上述方法中，所述区域纹理特征通过局部LDP直方图表征；所述根据不同所述面部图像中每个面部器官识别区域的数据，通过LDP算法计算获得所述面部图像每个面部器官识别区域的区域纹理特征的步骤包括：

将面部图像的任意像素点作为中心点，将其分别与8个方向的Kirsch算子进行卷积运算，获得中心点周围的8个方向的边缘响应值；

将获取的所述8个方向的边缘响应值取绝对值，并进行排序；

根据排序后的边缘响应值取绝对值编码获得LDP码值；

根据所述LDP码值计算获得各面部器官识别区域的局部LDP直方图。

进一步地，在上述方法中，所述根据所述面部图像的全局表情特征及所述每个所述面部器官识别区域的区域纹理特征，加权计算获得所述面部图像的融合表情特征向量的步骤包括：

将所述面部图像各面部器官识别区域的区域LDP直方图合成为统一LDP直方图；

按从左至右、从上而下的顺序依次将所述统一LDP直方图存为LDP特征向量；

将所述面部图像的全局表情特征向量及LDP特征向量加权融合，获得融合表情特征向量。

本发明的另一目的在于提供一种表情特征提取装置，应用于电子终端，所述装置包括：

图像获取模块，用于获得图像库中包括多种预设表情的面部图像；

PCA计算模块，用于根据所述面部图像，通过PCA算法计算获得各面部图像的全局表情特征；

区域划分模块，用于根据面部器官对表情识别的贡献程度，将所述面部图像划分为多个面部器官识别区域；

LDP计算模块，用于根据不同所述面部图像中每个面部器官识别区域的数据，通过LDP算法计算获得所述面部图像每个面部器官识别区域的区域纹理特征；

融合计算模块，用于基于所述面部图像的全局表情特征及所述每个所述面部器官识别区域的区域纹理特征，加权计算获得所述面部图像的融合表情特征向量。