] 2)通過(guò)3)，求解范數(shù)的最小化問(wèn)題，得到y(tǒng)在X上的稀疏表示，獲得表示系數(shù)α ;
[0141] 3)計(jì)算殘差：
[0142] Γ；(γ) = I |y-X δ ；(α ) I |2, i = I, . . . , k
[0143] 其中Si(Ci)表示只取對(duì)應(yīng)于X1的表示系數(shù)，其他分量均置為〇;
[0144] 4)求解預(yù)測(cè)表情類(lèi)別標(biāo)簽
[0145] i*= arg min ； Ti (y)
[0146] 根據(jù)預(yù)測(cè)值，對(duì)待識(shí)別人臉表情圖像進(jìn)行分類(lèi)，完成識(shí)別。
[0147] 本實(shí)施例的有益效果如下：
[0148] 本實(shí)施例的人臉表情識(shí)別的方法簡(jiǎn)單方便，識(shí)別準(zhǔn)確率高，識(shí)別速度快。本實(shí)施例 利用圖像的多尺度多方向的紋理變化對(duì)不同類(lèi)別的表情進(jìn)行Gabor特征提取，本實(shí)施例為 進(jìn)一步提高Gabor特征提取的系統(tǒng)運(yùn)行速度，對(duì)Gabor核的大小進(jìn)行改進(jìn)，并結(jié)合采樣點(diǎn)選 取和PCA算法降低復(fù)雜度。在JAFFE數(shù)據(jù)庫(kù)上，取得了 97. 68%的識(shí)別正確率。
[0149] 以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員 來(lái)說(shuō)，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也 應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種人臉表情識(shí)別的方法，其特征在于，包括： 使用Gabor濾波器對(duì)待識(shí)別人臉表情圖像進(jìn)行濾波，得到待識(shí)別人臉表情圖像的Gabor特征； 選取若干個(gè)采樣點(diǎn)，將采樣點(diǎn)的Gabor特征組合成聯(lián)合特征向量； 通過(guò)PCA算法使用線(xiàn)性變換矩陣對(duì)所述聯(lián)合特征向量進(jìn)行降維，得到低維Gabor特征 向量； 通過(guò)SRC算法對(duì)所述低維Gabor特征向量進(jìn)行分類(lèi)，完成人臉表情識(shí)別。2. 根據(jù)權(quán)利要求1所述的人臉表情識(shí)別的方法，其特征在于，所述使用Gabor濾波器對(duì) 待識(shí)別人臉表情圖像進(jìn)行濾波，得到待識(shí)別人臉表情圖像的Gabor特征之前還需要對(duì)待識(shí) 別人臉表情圖像進(jìn)行預(yù)處理，所述預(yù)處理包括： 對(duì)待識(shí)別人臉表情圖像進(jìn)行光照處理和灰度歸一化處理； 通過(guò)Adaboost算法對(duì)光照處理后的人臉表情圖像進(jìn)行檢測(cè)，定位人臉的位置； 通過(guò)主動(dòng)形狀模型算法在人臉上定位特征點(diǎn)，所述特征點(diǎn)包括眼睛； 根據(jù)定位到的眼睛位置對(duì)待識(shí)別人臉表情圖像進(jìn)行幾何歸一化。3. 根據(jù)權(quán)利要求1所述的人臉表情識(shí)別的方法，其特征在于，所述Gabor濾波器為5尺 度 8 方向，所述Gabor濾波器的方向包括 0,JT/8, 2JT/8, 3JT/8, 4JT/8, 5JT/8, 6JT/8, 7JT/8， 每個(gè)方向上的尺度包括414a/^8_18.n/I116丨所述Gabor濾波器的核函數(shù)為簡(jiǎn)化Gabor核函數(shù)， 所述簡(jiǎn)化Gabor核函數(shù)為標(biāo)準(zhǔn)Gabor核函數(shù)的95%能量所在的中心區(qū)域組成的函數(shù)；所述 米樣點(diǎn)為8行8列規(guī)則分布的米樣點(diǎn)。4. 根據(jù)權(quán)利要求1所述的人臉表情識(shí)別的方法，其特征在于，所述線(xiàn)性變換矩陣通過(guò) 以下方法得到： 將第一特征矩陣進(jìn)行歸一化處理，所述第一特征矩陣由第一訓(xùn)練樣本集中所有樣本的 聯(lián)合特征向量組成； 計(jì)算歸一化后的第一特征矩陣的協(xié)方差矩陣； 計(jì)算所述協(xié)方差矩陣的特征值和特征向量； 將特征值由大到小排列，選擇前F個(gè)特征值，使它們的和達(dá)到所有特征值之和的85% 到95%之間； 取前F個(gè)特征值對(duì)應(yīng)的特征向量組成矩陣并將其轉(zhuǎn)置，得到線(xiàn)性變換矩陣。5. 根據(jù)權(quán)利要求1所述的人臉表情識(shí)別的方法，其特征在于，所述通過(guò)SRC算法對(duì)所述 低維Gabor特征向量進(jìn)行分類(lèi)，完成人臉表情識(shí)別包括： 將第二特征矩陣進(jìn)行歸一化處理，所述第二特征矩陣由第二訓(xùn)練樣本集中所有樣本的 低維Gabor特征向量組成，每個(gè)表情對(duì)應(yīng)至少一個(gè)樣本； 將待識(shí)別人臉表情圖像的低維Gabor特征向量使用歸一化后的第二特征矩陣稀疏表 示，得到全局表示系數(shù)； 計(jì)算待識(shí)別人臉表情圖像的低維Gabor特征向量相對(duì)于每個(gè)表情的殘差； 找出殘差的最小值，其對(duì)應(yīng)的表情即為待識(shí)別人臉表情圖像的表情。6. -種人臉表情識(shí)別的裝置，其特征在于，包括： 濾波模塊，用于使用Gabor濾波器對(duì)待識(shí)別人臉表情圖像進(jìn)行濾波，得到待識(shí)別人臉 表情圖像的Gabor特征； 采樣模塊，用于選取若干個(gè)采樣點(diǎn)，將采樣點(diǎn)的Gabor特征組合成聯(lián)合特征向量； 降維模塊，用于通過(guò)PCA算法使用線(xiàn)性變換矩陣對(duì)所述聯(lián)合特征向量進(jìn)行降維，得到 低維Gabor特征向量； 分類(lèi)模塊，用于通過(guò)SRC算法對(duì)所述低維Gabor特征向量進(jìn)行分類(lèi)，完成人臉表情識(shí) 別。7. 根據(jù)權(quán)利要求6所述的人臉表情識(shí)別的裝置，其特征在于，所述濾波模塊之前還包 括預(yù)處理模塊，所述預(yù)處理模塊包括： 處理單元，用于對(duì)待識(shí)別人臉表情圖像進(jìn)行光照處理和灰度歸一化處理； 檢測(cè)單元，用于通過(guò)Adaboost算法對(duì)光照處理后的人臉表情圖像進(jìn)行檢測(cè)，定位人臉 的位置； 定位單元，用于通過(guò)主動(dòng)形狀模型算法在人臉上定位特征點(diǎn)，所述特征點(diǎn)包括眼睛； 第一歸一化單元，用于根據(jù)定位到的眼睛位置對(duì)待識(shí)別人臉表情圖像進(jìn)行幾何歸一 化。8. 根據(jù)權(quán)利要求6所述的人臉表情識(shí)別的裝置，其特征在于，所述Gabor濾波器為5尺 度 8 方向，所述Gabor濾波器的方向包括 0,JT/8, 2JT/8, 3JT/8, 4JT/8, 5JT/8, 6JT/8, 7JT/8， 每個(gè)方向上的尺度包插4,4^/5,狀占，1:6:;所述Gabor濾波器的核函數(shù)為簡(jiǎn)化Gabor核函數(shù)， 所述簡(jiǎn)化Gabor核函數(shù)為標(biāo)準(zhǔn)Gabor核函數(shù)的95%能量所在的中心區(qū)域組成的函數(shù)；所述 米樣點(diǎn)為8行8列規(guī)則分布的米樣點(diǎn)。9. 根據(jù)權(quán)利要求6所述的人臉表情識(shí)別的裝置，其特征在于，所述線(xiàn)性變換矩陣通過(guò) 以下單元得到： 第二歸一化單元，用于將第一特征矩陣進(jìn)行歸一化處理，所述第一特征矩陣由第一訓(xùn) 練樣本集中所有樣本的聯(lián)合特征向量組成； 第一計(jì)算單元，用于計(jì)算歸一化后的第一特征矩陣的協(xié)方差矩陣； 第二計(jì)算單元，用于計(jì)算所述協(xié)方差矩陣的特征值和特征向量； 第一選擇單元，用于將特征值由大到小排列，選擇前F個(gè)特征值，使它們的和達(dá)到所有 特征值之和的85 %到95 %之間； 第二選擇單元，用于取前F個(gè)特征值對(duì)應(yīng)的特征向量組成矩陣并將其轉(zhuǎn)置，得到線(xiàn)性 變換矩陣。10. 根據(jù)權(quán)利要求6所述的人臉表情識(shí)別的裝置，其特征在于，所述分類(lèi)模塊包括： 第三歸一化單元，用于將第二特征矩陣進(jìn)行歸一化處理，所述第二特征矩陣由第二訓(xùn) 練樣本集中所有樣本的低維Gabor特征向量組成，每個(gè)表情對(duì)應(yīng)至少一個(gè)樣本； 稀疏表示單元，用于將待識(shí)別人臉表情圖像的低維Gabor特征向量使用歸一化后的第 二特征矩陣稀疏表示，得到全局表示系數(shù)； 殘差計(jì)算單元，用于計(jì)算待識(shí)別人臉表情圖像的低維Gabor特征向量相對(duì)于每個(gè)表情 的殘差； 識(shí)別單元，用于找出殘差的最小值，其對(duì)應(yīng)的表情即為待識(shí)別人臉表情圖像的表情。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種人臉表情識(shí)別的方法和裝置，屬于人臉識(shí)別領(lǐng)域，所述人臉表情識(shí)別的方法包括：使用Gabor濾波器對(duì)待識(shí)別人臉表情圖像進(jìn)行濾波，得到待識(shí)別人臉表情圖像的Gabor特征；選取若干個(gè)采樣點(diǎn)，將采樣點(diǎn)的Gabor特征組合成聯(lián)合特征向量；通過(guò)PCA算法使用線(xiàn)性變換矩陣對(duì)所述聯(lián)合特征向量進(jìn)行降維，得到低維Gabor特征向量；通過(guò)SRC算法對(duì)所述低維Gabor特征向量進(jìn)行分類(lèi)，完成人臉表情識(shí)別。與現(xiàn)有技術(shù)相比，本發(fā)明的人臉表情識(shí)別的方法簡(jiǎn)單方便，識(shí)別準(zhǔn)確率高，識(shí)別速度快。
【IPC分類(lèi)】G06K9/00
【公開(kāi)號(hào)】CN105117708
【申請(qǐng)?zhí)枴緾N201510567836
【發(fā)明人】孔令美, 陸小軍, 張祥德
【申請(qǐng)人】北京天誠(chéng)盛業(yè)科技有限公司
【公開(kāi)日】2015年12月2日
【申請(qǐng)日】2015年9月8日