[发明专利]一种基于特征融合的人脸表情识别方法

说明书

技术领域

本发明属于图像分类技术领域，涉及了一种人脸表情识别方法。

背景技术

人脸面部表情是人类表达内在情绪的一种非语言的交流方式。在不同文化、不同种族的人类大环境下，心理学家将六种基本表情(高兴、悲伤、害怕、沮丧、惊讶、生气)作为广泛的具有共性的表情特征。随着行为科学，人机交互等人工智能领域的发展，人脸表情识别技术已经得到越来越多的关注。

人脸表情识别的目的是在人脸图像的范围内提取出对表情识别有利的特征，并以此特征为基础进行表情分类，因此提取出信息丰富易于分类的特征可提高表情分类的准确度。Gabor小波是对人们感兴趣的图像区域提取信息，具有优良的空间局部性和方向选择性，能够抓住图像局部区域内多个方向的空间频率(尺度)和局部性结构特征。虽然Gabor小波提取的是图像的纹理信息，但是对于Gabor小波设置的参数不同，提取图像特征也有不同，并且利用Gabor小波提取的特征维数高，计算量大，计算时间长。

HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，它通过计算和统计图像局部区域的梯度方向直方图来构成特征。HOG特征可以很好的描述人脸图像局部目标的形状(例如嘴，眼等部位)边缘的方向密度分布，虽具有计算简单，抗干扰能力强的优点，但没有旋转和尺度不变性。

在人脸表情识别过程中，最重要的一步是要提取利于分类的表情特征，而在人脸图像中往往包含许多冗余信息，因此对人脸表情特征融合的意义在于通过优化组合，处理两种特征矢量之间的相互依赖关系，既保留了有效的表情鉴别信息，又在一定程度上消除了冗余信息，这种新兴数据处理技术逐渐成为当前模式识别领域研究的热点方向。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于特征融合的人脸表情识别方法，克服现有表情识别方法图像提取特征维数高、特征包含冗余信息多的难题。

为了实现上述技术目的，本发明的技术方案为：

一种基于特征融合的人脸表情识别方法，包括以下步骤：

(1)选择不同类型的人脸表情图像作为训练样本，对人脸表情图像进行几何校正和尺寸归一化的预处理；

(2)分别提取人脸表情图像的HOG特征和Gabor小波特征；

(3)将同类人脸表情图像的HOG特征和Gabor小波特征进行特征融合；

(4)将每类人脸表情图像融合后得到的新特征作为稀疏表示分类的字典，进行稀疏表示分类；

(5)将未知的人脸表情图像作为测试样本，按照(1)-(4)，得到分类结果。

进一步地，在步骤(2)中，提取HOG特征的过程如下：

(a)设置HOG特征提取参数，包括每个细胞单元的像素大小、每个细胞单元划分的方向、合成一个图像块所需的细胞单元个数以及图像块的重叠率；

(b)计算图像中每个像素点的梯度：

上式中，H(x,y)为图像中点(x,y)处的像素值，G_x(x,y)、G_y(x,y)分别为图像中点(x,y)在x、y方向的梯度；

(c)计算梯度的幅值G(x,y)和方向α(x,y)：

(d)按照梯度方向与细胞单元的划分方向对应原则进行梯度幅值直方图统计，得到HOG特征。

进一步地，在步骤(2)中，提取Gabor小波特征的过程如下：

(A)设置Gabor小波特征提取参数，包括2维Gabor滤波的尺度、方向，以及Gabor滤波器窗口的大小；

(B)按照下式对人脸表情图像进行2维Gabor滤波，提取出Gabor小波特征：

x_p＝x·cosθ+y·sinθ

y_p＝y·cosθ-x·sinθ

上式中，(x,y)是图像中点的位置，f是Gabor滤波的尺度，θ是Gabor滤波的角度，S_x、S_x为Gabor滤波器窗口的尺寸。

进一步地，在步骤(A)中，设置2维Gabor滤波的尺度Gabor滤波的方向

进一步地，步骤(3)的具体过程如下：