[发明专利]一种基于点分布模型面部表情特征的提取方法

说明书

技术领域

本发明涉及计算机科学领域，尤其是涉及一种基于点分布模型面部表情特征的提取方法。

背景技术

人类可以通过声音和肢体来表达信息，而面部表情又是肢体语言中含有信息量最大的一部分息，通常人在日常活动中，面部表情语言是可以不通过声音表达语义的一种沟通手段和通信方式，作为信息的载体，通过语音，面部表情语言，能够表达很多声音除了不能表达的语义信息。面部表情自动识别面部表情信息的特征提取分析，以进行分类根据的理解和思考和理解的方式，通过情感计算，计算机联想，思维和推理，进而了解人体面部信息所表达的意义。在计算机科学领域的研究，面部表情的识别对于实现自然的人机交互以及自动图像理解也具有重大的意义。辨识身份技术已经应用在银行ATM机、门卫监控、智能防盗门等系统上发挥了重要的作用。

面部表情识别涉及到其他学科，如：心理学、生物学、数学等。所以表情识别的难度较大，因此与其他的识别技术相比发展相对缓慢。如：指纹识别技术、虹膜识别技术、DNA识别技术等。但是表情识别在人机交互等方面是有着非常重要的价值，目前国内的很多高校和科研机构致力于这个方向的研究，并取得了一定的成果。

进入21世纪，关于面部表情识别的研究变得非常之热门，同时部分企业和国家也投入的了大量的资金进行这个方向的研究。德国、美国、日本、阿根廷、荷兰、丹麦等经济发达国家和发展中国家如中国、泰国都有专门研究组进行这方面的研究。其中乌特列支大学、密歇根大学、哥本哈根大学、科隆大学、日本早稻田大学、京都大学、贡献尤为突出。国内的清华大学、浙江大学、中国科技大学、南京航空大学、电子科技大学等都有人员从事人脸表情识别的研究。面部表情识别方法主要有基于子空间变换的方法、基于机器学习的方法、基于模型的方法、基于局部特征的方法、基于几何特征的方法以及模板匹配方法等几类，基于点分布模型的方法典型代表为PDM方法，PDM方法简单、很高的效率同时得到了研究者的青睐。PDM由Cootes等人提出的方法，在外形类似的人体器官（比如人脸、人手）的形状，串联连接成原来的形状向量的坐标点的一些关键特性通。对所有向量对齐操作后在进行PCA的分析，并保留其中的主成分参数，得到了形状的变化模式。但该方法对不相关变形保持不变、噪声不敏感，类别区分度大的特征提取效果并不理想。

发明内容

本发明主要解决的技术问题是提供一种基于点分布模型面部表情特征的提取方法，该方法利用Gabor小波变换系数进行人脸识别的弹性图匹配，得到了不受样本影响的理想的面部表情特征，在提取对不相关变形保持不变、噪声不敏感，类别区分度大的特征具有明显优势。

为解决上述技术问题，本发明采用的一个技术方案是：一种基于点分布模型面部表情特征的提取方法，具体步骤包括：

（100）、建立形状模型：通过标记人体面部图像面部特征点的坐标，使其作为初始数据，并在处理的过程中将多个人体面部图像面部特征点的坐标相互对应，再通过主成分分析法建立起人体面部的形状模型;

（200）、对齐标定的图像: 采用形状向量相互对应的方法，通过选取一个相对较为理想的形状向量作为初始样本，其他的向量与初始样本进行形状上的相互对应，计算后得到平均形状向量在进行规格化处理,并作为样本，再将与初始样本进行形状上相互对应后的形状向量与此平均形状向量对应,重复这一过程，直到相邻两次的平均形状向量差别小于某一特定值，对齐过程结束;

（300）、使用Gabor小波变换提取表情特征：通过使用Gabor小波核函数的计算并采样，从而获得一组不同的频率和相位的特征点的面部特征点的精细定位。

在本发明一个较佳实施例中，所述步骤（100）建立形状模型的具体步骤包括：

根据公式（1）建立人体面部的形状模型，

                          （1）

其中， N为样本数目，n为人体面部特征定于的关键特征点的数目，L中的每个形状向量是由这些训练图像I上手工标定的n个关键特点的横纵坐标串上手工标定的n个关键特征点的横纵坐标串接而成。

在本发明一个较佳实施例中，所述步骤（200）中形状向量相互对应的方法的具体步骤包括：