[发明专利]一种具有噪声鲁棒性的人脸表情识别方法

说明书

技术领域

本发明涉及一种具有噪声鲁棒性的人脸表情识别方法，属于人脸识别技术领域。

背景技术

人脸面部表情是人类重要的形体语言之一，能够比较准确地反映情感、精神、心理等状态变化。近年来，利用计算机分析理解人脸表情完成相关工作，在人机交互中具有重要应用前景，人脸表情识别技术逐渐成为研究热点，人脸表情识别系统主要包括图像预处理、人脸检测与区域分割、表情特征提取和分类四个部分，考虑到分类器识别效果好坏很大程度上取决于特征描述准确性高低，因此表情特征提取是人脸表情识别系统的重要环节，是提高分类准确率的关键。特征提取算法有很多，例如，PCA、LBP、Gabor等，但都有一定局限性，尤其在图像质量不佳或噪声干扰严重的情况下，提取表情特征不准确，算法的识别精度下降，因此，在特征提取之前，对降质图像进行滤波预处理又显得尤为重要，由此可见，可靠滤波方法与有效表情特征提取算法的结合是进行准确分类的关键。

目前，对于预处理步骤，均值滤波、中值滤波和Wiener滤波等是常用的图像滤波算子，然而它们在平滑噪声的同时也模糊了图像的边缘，不能很好重现原始图像中的结构信息。近几年，针对图像滤波中保持重要特征的问题，基于非线性方程的滤波方法得到很大发展，尤其是Perona和Malilik提出的各向异性扩散滤波方法，各向异性扩散滤波的基本原理，它实质上是偏微分方程形式的热传导方程，其具体的表达式如公式(8)所示，

式中，f(x,y,t)为输入图像f(x,y)经过t次迭代后的结果，div()是散度算子，c()为扩散系数，Perona和Malik提出如下两种形式的扩散系数方程，

式中▽f()是梯度算子，||▽f(x,y,t)||表示f(x,y,t)的梯度模值，K为梯度阈值。从上面两个方程可以看出，扩散系数c()是一个以梯度模值为变量的单调递减函数，在梯度值越大的区域，扩散系数越小，有利于保护图像的边缘信息；在梯度值越小的地方，扩散系数越大，有利于平滑图像中的噪声，其在图像灰度平坦区域选择大尺度平滑，在边缘部分选择小尺度平滑，从而实现了抑制噪声同时较好保护图像边缘信息的目的，并得到广泛应用。然而这种方法应用在人脸表情识别中仍有一些不足：表情变化会引起下巴、额头、鼻梁等非显性区域的肌肉纹理变化，这些变化产生的弱边缘、弱细节也是表情识别的关键因素。但它们的梯度模值较小，扩散系数较大，传统P-M方程对其有平滑作用，导致细节丢失，表情信息不完整。因此，传统各向异性扩散方法不能有效地区分面部斑点噪声和一些弱边缘、弱细节，在滤除噪声的同时，导致一些重要纹理信息也丢失。

对于表情特征提取步骤，常见的静态图像人脸特征提取方法有主成分分析法(Principal Component Analysis，PCA)、独立分量分析法(Independent Component Analysis，ICA)、Gabor小波变换、局部二值模式(Local Binary Pattern,LBP)和尺度不变特征变换(Scale Invariant Feature Transform，SIFT)等，其中PCA、ICA子空间方法受样本数量、图像空域变化影响较大；LBP是一种有效的纹理描述子，但编码方式对邻域灰度值变化敏感；因此，当图像质量下降或受噪声干扰时，以上算子提取的表情特征描述不准确。而对于Gabor小波变换和SIFT算子，虽然可以在频域内提取多尺度多方向表情特征，受噪声影响较小，但运行时间长，特征维数巨大，不具有实时性。

因此，在降质或受噪声干扰条件下，进行人脸表情识别算法的噪声鲁棒性研究，降低特征向量维度，减少冗余信息的干扰，缩短算法运行时间，提高分类精度和对噪声的鲁棒性，是当前急需解决的问题。

发明内容

本发明的目的是为了克服传统的人脸表情识别的问题，本发明提供的具有噪声鲁棒性的人脸表情识别方法，基于相对亮度差调节因子的各向异性扩散滤波模型，弥补原始各向异性扩散滤波方法在滤除噪声的同时也平滑掉细节的不足，区分面部噪声和弱细节表情信息，保证表情图像信息的完整性，同时，采用改进HOG算子提取表情特征，降低特征向量维度，减少冗余信息的干扰，缩短算法运行时间，提高分类精度和对噪声的鲁棒性，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种具有噪声鲁棒性的人脸表情识别方法，包括以下步骤，步骤(A)图像预处理；步骤(B)人脸检测与区域分割；步骤(C)人脸表情特征提取；步骤(D)人脸表情特征分类，其特征在于：