[发明专利]一种基于PCANet-CNN的任意姿态人脸表情识别方法

说明书

本发明公开了一种基于PCANet‑CNN的任意姿态人脸表情识别方法。首先对原始图像进行预处理得到统一大小的灰度人脸图像，包括正脸图像和侧脸图像。正脸图像输入无监督特征学习模型PCANet中，学习得到正脸图像所对应的特征。将侧脸图像输入有监督特征学习模型CNN中，并将无监督特征学习得到的正脸特征作为标签，训练得到正脸特征和侧脸特征之间的映射关系。通过此映射关系便可以得到任意姿态的人脸图像所对应的统一正脸特征，最终将统一正脸特征送入SVM中训练得到针对任意姿态的统一识别模型。本发明解决了传统多姿态人脸表情识别中需要为每种姿态分别建立模型，以及由于姿态等因素造成的模型识别率低的问题，能够有效地提高多姿态人脸图像表情识别的准确率。

技术领域

本发明属于情感识别领域，具体涉及一种基于PCANet-CNN的任意姿态人脸表情识别方法及系统

背景技术

人脸表情识别是模式识别、人机交互和计算机视觉等领域涉及的重要研究方向，目前已成为国内外的研究热点。一般来说人类最常见的六种基本表情为高兴、悲伤、愤怒、惊讶、厌恶与恐惧。近年来，随着各种对姿态具有鲁棒性的特征的不断提出，促进了多姿态自动人脸表情识别技术的发展。比如传统的人脸识别模型只能基于正脸或者接近正脸的图片进行表情识别，而对侧脸或者有一定角度的人脸表情识别效果非常差。接着有研究者提出针对不同姿态的人脸图片训练不同的表情识别模型。然而自然环境下姿态的变化是非线性的。即使将其设定为固定的几种姿态，随着姿态的不断增多，模型的训练也是非常耗时的。这就促使了是否可以通过寻找对姿态具有鲁棒性的特征来进行任意姿态的人脸表情识别，从而在提高效率的同时得到更好的表情识别结果。

(1)在S.Eleftheriadis等人，名为“Discriminative Shared GaussianProcesses for Multiview and View-Invariant Facial Expression Recognition”的论文中，利用一种判别式高斯过程隐变量模型进行多姿态的人脸表情识别，但是该方法应用的是传统的手工特征，它对于物体的遮挡，人脸的变形以及姿态的不断变化不具备很好的鲁棒性。(2)在O.Rudovic等人，名为“Coupled Gaussian Processes forPose-InvariantFacial Expression Recognition”的论文中，作者首先对不同姿态的人脸图像进行关键点检测，然后通过学习侧脸图像的关键点和正脸图像的关键点的映射关系来进行姿态的归一化操作，最后基于映射之后的关键点提取手工特征。首先该方法仅仅利用关键点学习正脸图像和侧脸图像的映射关系，信息是不充足的；其次它的姿态的归一化以及特征提取是通过两个单独的步骤完成的，这降低了模型的识别率以及效率。

发明内容

为了解决上述问题，本发明通过深度学习的方法进一步拓展了背景技术中论文(2)的方法，通过自动学习正脸特征和侧脸特征之间映射关系的方法将姿态归一化和特征提取在同一个步骤完成，进而得到一个可用于任意姿态的统一表情识别模型。实现本发明的技术方案如下：

一种基于PCANet-CNN的任意姿态人脸表情识别方法，包括如下步骤：

S1，对样本图片预处理得到统一像素的的灰度图像，然后将统一像素的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；