[发明专利]基于贝叶斯融合稀疏表示分类器的人脸情感识别方法

权利要求书

1.基于贝叶斯融合稀疏表示分类器的人脸表情识别方法，其特征在于，包括以下步骤：

人脸表情图片预处理；对人脸图像用HAAR级联分类器检测出人脸图像并去除背景区域；

图像分割；利用事先训练好的ASM算法识别出人脸表情图像的五官，并根据ASM算法标注点的提示将人脸表情图像依据五官分布分为额头部分、眼睛部分、鼻子部分和嘴部分；

特征抽取；

分类及分类结果融合；将分割好的子图像连同原图分别送入五个稀疏表示分类器；稀疏表示分类器的基本原理是将测试样本视为训练样本的稀疏现行表示；给定一个测试样本，设为y，给定训练样本设为A，则需将其表示为y＝Aα，α表示待求的稀疏系数，在训练样本数小于图像维度的情况下，该方程是欠定的，通过以下方式求解：

min‖α‖₀,s.t.y＝Aα

其中，|| ||₀是L0问题，α如果足够稀疏的话，L0问题等价于L1问题；

min‖α‖₁,s.t.‖y-Aα‖₂＜ε

上述等式是凸优化的，通过外点法在多项式时间内得到求解；求解到的α会在与测试样本y同类的训练样本处达到峰值；通过求解测试样本与其重构样本间的最小残差得到测试样本的最后分类C；

将人脸表情图像中五官中的额头、眼睛、鼻子和嘴分类进行识别，并利用加权贝叶斯融合进行融合分类器结果；

根据训练样本求解每一个子图像及原图在稀疏表示分类器上的正确识别率及在其他类上的错分率，得到混淆矩阵CM：

k代表了五官的序号，分别对应于额头、眼睛、鼻子、嘴巴与脸；cm_ij代表了第i类数据被分到第j类的概率；混淆矩阵对角线数据表明了正确分类的概率；建立权重矩阵，使其元素等于混淆矩阵的对角线元素；

利用贝叶斯融合理论来融合分类器结果的过程为：假定分类器的数目为K，K＝5，情感类别为M，M＝7，将测试图片分类为类C的先验概率记为P(C_i)，由第K个SRC分类器产生的后验概率记为P(C_i|D_k)；根据贝叶斯理论，该集成分类器将测试数据分到具有最大后验概率的类C：

后验概率从贝叶斯的联合概率分布中求取：

运用朴素贝叶斯理论来对上式进行简化：

在贝叶斯理论中加入不同五官在不同情绪下对人脸情感识别所做的权值贡献：

最终的分类规则为：

2.根据权利要求1所述的基于贝叶斯融合稀疏表示分类器的人脸表情识别方法，其特征在于，通过构建权重矩阵给不同人脸的五官的信息以不同的置信度，并且通过贝叶斯融合理论对来自不同子图像及原图像的稀疏表示分类器结果进行融合。

3.根据权利要求1所述的基于贝叶斯融合稀疏表示分类器的人脸表情识别方法，其特征在于，通过构建不同五官在不同表情变化，及是否存在遮挡物下的混淆矩阵及依据混淆矩阵的对角线值构建的权重矩阵来量化五官及原图在不同情况下对人脸表情识别的贡献程度。

4.根据权利要求1所述的基于贝叶斯融合稀疏表示分类器的人脸表情识别方法，其特征在于：利用不同五官及原图像在稀疏表示分类器中的正确识别率以及错分为其他类别的概率组合成对应的混淆矩阵，所述混淆矩阵用于表明人脸表情之间的相似性与相异性。