[发明专利]一种基于核稀疏领域自适应的面部表情识别方法

权利要求书

1.一种基于核稀疏领域自适应的面部表情识别方法，其特征在于，包括以下步骤：

(1)构建面部表情识别模型，所述面部表情识别模型将内核稀疏技术和领域自适应技术相互结合，其中，所述内核稀疏技术是指采用基于核稀疏表示的分类器，所述基于核稀疏表示的分类器对核空间的训练集进行加权处理以缩小与测试集的分布差异，并通过降维处理来稀疏权重项以降低计算复杂度；

(2)利用训练好的面部表情识别模型对人脸图像进行识别，并对面部表情进行分类。

2.根据权利要求1所述的基于核稀疏领域自适应的面部表情识别方法，其特征在于，所述步骤(1)中所述基于核稀疏表示的分类器的最小化目标函数表示为其中，f表示决策函数，α＝[α₁,α₂,…,α_n]^T表示系数向量，α_i为φ(x_i)对应的系数，φ(x_i)为将训练样本x_i映射到特征空间的非线性映射函数，表示源域的训练集，R_f(·)表示分类器的经验风险，λ为正则化系数，Ω_α(X^tr,X^te)表示目标域的训练集X^tr和目标域的测试集X^te之间的分布距离。

3.根据权利要求2所述的基于核稀疏领域自适应的面部表情识别方法，其特征在于，所述基于核稀疏表示的分类器对核空间的训练集进行加权处理，加权处理后的分类器的经验风险表示为其中，w表示模型参数，C表示可调模型参数，n_tr表示训练样本的数量，L^p(y,·)＝max(0,1-y·)^p，当p＝1时表示为铰链损失函数，当p＝2时表示为二次损失函数，y_i表示分类标签，w^Tx_i为决策函数f的表达式。

4.根据权利要求3所述的基于核稀疏领域自适应的面部表情识别方法，其特征在于，所述决策函数通过引入核函数扩展为非线性决策函数，此时引入核函数的分类器的经验风险表示为其中，β表示膨胀系数，K表示数据核矩阵，k_i表示数据核矩阵K的第i列。

5.根据权利要求4所述的基于核稀疏领域自适应的面部表情识别方法，其特征在于，所述通过降维处理来稀疏权重项以降低计算复杂度具体为：通过构造变换矩阵来对特征空间进行降维，采用伪变换矩阵建立变换矩阵与非线性映射函数φ(x_i)的关系，通过求解伪变换矩阵的方式实现降维处理。