[发明专利]一种基于稀疏表示的双字典和多特征融合决策人脸表情识别方法

权利要求书

1.一种基于稀疏表示的双字典和多特征融合决策人脸表情识别方法，其特征在于，包括如下步骤：

(1)分别针对无表情的人脸图像样本和特定表情的人脸图像样本提取HOG特征、LBP特征和Haar特征，并分别根据不同类的特征构建对应的标称字典和特性字典；

其中，标称字典由无表情人脸图像样本的特征构成，特性字典由无表情人脸图像与特定表情人脸图像的特征差分信息构成；

(2)对待识别的人脸表情图像进行HOG特征、LBP特征和Haar特征提取，并采用标称字典对提取后的特征进行稀疏编码，将编码系数结果结合标称字典得到重构的无表情图像特征，将重构前后的特征相减得到仅包含表情特性的特征；利用特性字典对仅包含表情特性的特征进行稀疏编码，得到不同类的特征对应的编码系数向量；

(3)以特性字典为基础，对不同类的特征训练出辅助决策融合字典；所述辅助决策融合字典的构建方法为：针对不同类特征的特性字典，首先提取其中的一个样本数据，用字典中剩余的其他样本数据对其进行稀疏编码，并将该样本数据对应的表情类别和编码结果系数保存到辅助决策融合字典，以此类推，直到特性字典中所有的样本数据全部完成编码；

(4)基于稀疏表达和辅助决策融合字典对不同类特征对应的编码系数向量进行分类判决，得到不同类特征的判决结果；并采用投票的方式，将得票数最多的人脸表情类别作为最终识别结果。

2.如权利要求1所述的基于稀疏表示的双字典和多特征融合决策人脸表情识别方法，其特征在于，对无表情的人脸图像和有表情的人脸图像分别提取HOG特征、LBP特征和Haar特征；将特定表情的人脸图像提取的这三类特征汇总到一个特征向量中构成无表情人脸图像的标称字典，将特定表情的人脸图像与无表情人脸图像的特征信息进行差分并汇总就构成了特性字典。

3.如权利要求2所述的基于稀疏表示的双字典和多特征融合决策人脸表情识别方法，其特征在于，HOG特征提取方法为：首先对无表情的人脸图像样本进行光照归一化后计算梯度信息，将图像分割成多个小区域；然后对每个区域采用2×2的划窗，计算所有划窗内6个方向上的梯度信息直方图，将所有的直方图信息汇总成一幅无表情人脸图像的HOG特征。

4.如权利要求3所述的基于稀疏表示的双字典和多特征融合决策人脸表情识别方法，其特征在于，图像分割的方法为：

将人脸图像区分为961个小区域，每个区域大小为图像大小的1/256，且每个区域存在50％的重叠；

或，将人脸图像区分为225个小区域，每个区域大小为图像大小的1/64，且每个区域存在50％的重叠；

或，将人脸图像区分为49个小区域，每个区域大小为图像大小的1/16，且每个区域存在50％的重叠。

5.如权利要求2所述的基于稀疏表示的双字典和多特征融合决策人脸表情识别方法，其特征在于，LBP特征提取方法为：基于LBP算子对无表情的人脸表情图像计算LBP特征，将图像进行分区，并分别统计不同分区中的直方图特征；将所有的直方图特征汇总成一幅无表情人脸图像的LBP特征。

6.如权利要求5所述的基于稀疏表示的双字典和多特征融合决策人脸表情识别方法，其特征在于，图像分区方法为：

每个分区大小为4×4，且每个邻近的小区域有四分之一重叠；

或，每个分区大小为4×4，且每个邻近的小区域有二分之一重叠；

或，每个分区大小为8×8，且每个邻近的小区域有四分之一重叠；

或，每个分区大小为8×8，且每个邻近的小区域有二分之一重叠。

7.如权利要求2所述的基于稀疏表示的双字典和多特征融合决策人脸表情识别方法，其特征在于，Haar特征提取方法为：计算无表情人脸图像的梯度信息，根据梯度信息定位出人眼、嘴巴的水平位置，并根据人眼、嘴巴的中心位置预估出鼻子的区域；根据预估出的位置信息采用划窗的方式提取13个子区域，窗的大小为图像大小的1/64，窗的移动步长为图像边长的1/8；对每个子区域采用3类矩形特征计算无表情人脸图像的Haar特征，并将所有的特征值汇总成一幅无表情人脸图像的Haar特征。

8.如权利要求1所述的基于稀疏表示的双字典和多特征融合决策人脸表情识别方法，其特征在于，基于辅助决策融合字典的判决方法为：使用辅助决策融合字典对待识别人脸表情图像根据特性字典得到的编码系数向量进行分类，得到不同类特征的表情分类结果，统计表情分类结果，得到票数最多的表情类别为最终识别结果。