[发明专利]一种基于PCANet-CNN的任意姿态人脸表情识别方法

权利要求书

1.一种基于PCANet-CNN的任意姿态人脸表情识别方法，其特征在于，包括如下步骤：

S1，对样本图片预处理得到统一像素的灰度图像，然后将统一像素的灰度图像分为正脸图像和侧脸图像，对所得的正脸图像提取尺寸为k₁×k₂大小的特征块；对所得到的侧脸图像提取尺寸为k₁×k₂大小的特征块；

S2，将步骤S1中的正脸图像作为无监督特征学习PCANet的输入进行无监督正脸特征学习，得到正脸特征；

S3，将步骤S1中的侧脸图像作为有监督特征学习CNN的输入，并结合步骤S2的正脸特征，通过有监督学习CNN的处理建立侧脸特征和正脸特征之间的映射关系；

S4，利用步骤S3的映射关系得到对任意姿态具有鲁棒性的统一正脸特征；

S5，将步骤S4所得的对姿态具有鲁棒性的统一正脸特征送入支持向量机SVM中进行识别模型的训练，得到一个针对任意姿态的统一识别模型；

S6，利用步骤S3所述的映射关系以及步骤S5所述的统一识别模型识别出任意姿态人脸图像所属的人脸表情类别。

2.根据权利要求1所述的一种基于PCANet-CNN的任意姿态人脸表情识别方法，其特征在于，所述步骤S1中预处理的过程包括：通过一个级联的VJ框架检测样本图片中的人脸，再通过二值化对检测到的人脸图片进行灰度处理得到灰度图像，然后对所得灰度图像进行大小归一化得到统一像素的灰度图像。

3.根据权利要求1所述的一种基于PCANet-CNN的任意姿态人脸表情识别方法，其特征在于，所述步骤S1中统一像素的灰度图像大小设为96*96，正脸图像和侧脸图像的特征块大小设置为5*5。

4.根据权利要求1所述的一种基于PCANet-CNN的任意姿态人脸表情识别方法，其特征在于，所述步骤S2中无监督特征学习的过程包括：

步骤S2-1，对正脸图像进行白化处理；

步骤S2-2，通过预训练得到不同尺寸的卷积核，再用所得卷积核对正脸图像进行卷积，得到PCANet第一层的输出；

步骤S2-3，将PCANet第一层的输出作为PCANet第二层的输入，经过与第一层相同的卷积过程得到PCANet第二层的输出；

步骤S2-4，对PCANet第二层的输出进行二值哈希处理以及直方图分块处理，最终将所得特征堆叠串联起来形成对光照具有鲁棒性的正脸特征。

5.根据权利要求4所述的一种基于PCANet-CNN的任意姿态人脸表情识别方法，其特征在于，所述步骤S2-1中白化处理的过程：

读取正脸图像的像素特征，然后以步长大小为1、特征块大小为5*5对得到的像素特征进行分块处理，然后对每一个小的特征块串联得到一个一维的特征，对此一维的特征均除以其标准差，从而得到具有相同方差的特征。

6.根据权利要求1所述的一种基于PCANet-CNN的任意姿态人脸表情识别方法，其特征在于，所述步骤S3的具体实现包括：

S3-1，将步骤S1中侧脸图像输入至有监督特征学习CNN的卷积层，将步骤S2中所得正脸特征作为CNN的标签，通过反向传播算法更新卷积核；对输入的侧脸图像首先经过卷积层和池化层得到CNN第一层的输出，然后将池化后的结果作为CNN第二层的输入，经过卷积和池化得到第二层的输出，即得到侧脸特征；

S3-2，计算侧脸特征和正脸特征之间的重构误差函数来计算侧脸特征和正脸特征之间的平均误差值，并以此平均误差来反向传播更新各层卷积核，当此平均误差值趋于收敛时，算法停止，得到侧脸特征和正脸特征之间的映射关系，所述映射关系由两层CNN中的权重W₁,W₂以及偏置b₁,b₂构成。