[发明专利]一种结合降维和认知引力模型的人脸表情识别方法

权利要求书

1.一种结合降维和认知引力模型的人脸表情识别方法，其特征在于，包括以下步骤：

步骤1、使用基于金字塔的方向梯度直方图提取测试样本的特征，称为PHOG特征；

步骤2、采用增强型长程相关反馈维数约减算法ERF的投影映射，对提取的测试样本的PHOG特征降维，将测试样本映射到低维空间；

步骤3、计算测试样本的质量；

步骤4、根据测试样本和训练样本的质量，计算每个训练样本对测试样本的引力；

步骤5、从每个表情类别中，分别选出对测试样本引力最大的k个训练样本，并将每个类的这些引力求和，对测试样本引力最大的那个类别即为测试样本的表情类别；

所述步骤2中，增强型长程相关反馈维数约减算法ERF的包括如下步骤：

(1)定义增强长期相关反馈的维数约减方法的目标函数如下：

其中W^TXL^bXW，W^TXL^fXW，W^TXL^wXW，W^TXL^mXW是4个优化目标，a₁和a₂为平衡参数；W是映射矩阵；

W^TXL^bXW的目标是最大化类间距离，式中表示不属于第c类的训练样本个数，C表示总类别个数，l_i，l_j表示第i、第j个样本的类别标签；

W^TXL^wXW的目的是最小化类内距离，式中N_c表示属于第c类的训练样本个数；

W^TXL^fXW的目的是对最小化离得较远但属于同一类别的样本之间的距离进行一定的惩罚，式中N_f表示与x_i属于同一类并且互相不为k邻域的样本的个数，N_k(x_j)表示x_j的k邻域；

W^TXL^mXW的目的是在低维空间中保持高维空间中的流形结构，式中1_k+1∈R^k+1为元素全为1的列向量，S_i∈R^n×(k+1)，S_i＝1当x_p为的第p个元素，(S_i)_pq＝0其它情况；

(2)将优化问题转化为求广义特征值的问题，其中W由最大的q个广义特征值对应的广义特征向量组成，q为维数约简之后的维度；

X(L^b+a₁L^f)X^TW＝λX(L^w+a₂L^f)X^TW，

(3)获得投影映射W，将训练数据从高维空间转换到低维空间Y＝W^TX；

其中，步骤3中质量计算方法的步骤如下：

(1)计算样本y的密度，其中是y_i的第K近邻；

(2)计算样本的自信息I(y)：

(3)通过归一化自信息，计算样本的质量m(y)：

其中，m(y)为样本的质量；

步骤4中，根据测试样本和训练样本的质量，按如下公式计算每个训练样本x_j,j＝1,2,…,n对测试样本y_i的引力，其中n是训练样本的个数；

2.根据权利要求1所述的结合降维和认知引力模型的人脸表情识别方法，其特征在于，在步骤1之前具有进行训练的过程，所述训练的过程包含如下步骤：

步骤11、提取每个训练样本的PHOG特征；

步骤12、采用训练数据训练ERF，获得ERF投影映射，并将训练样本映射到低维空间；

步骤13、在低维空间中，计算每个训练样本的质量。