[发明专利]一种基于张量的主动外观模型的表情变化识别方法

说明书

技术领域

本发明涉及表情识别领域，尤其是涉及了一种基于张量的主动外观模型的表情变化识别方法。

背景技术

面部表情识别是人工智能领域的一个重要研究方向，其可以通过自动识别出人的表情，进而分析人的感情。表情识别可以应用于安全领域，在公共场合，如机场、地铁站等处，通过安装的摄像头等监控设备来自动地分析人的表情和动作，通过这些分析进一步判断人物心理，从而判断可疑人物，进而阻止其犯罪行为。表情变化识别也可以应用于客户满意度、儿童兴趣点分析，通过记录人物的表情变化，进一步分析而获得客户反馈等。

在表情识别中，能够获得和表示面部的形状和纹理信息的常用方法是主动外观模型(AAM)，其广泛用于医学图像分析等其他领域。然而，由于姿势，表情，照明和遮挡的广泛范围的外观变化，构建这样的面部模型并不容易。在已知的获取2D面的几何和纹理信息的算法中，只有AAM能够联合地对面部图像的形状和纹理信息进行建模。主动形状模型(ASM)，约束局部模型(CLM)和基于级联回归(CR)的方法主要用于获得由面部界标传达的面部形状信息。然而，将AAM拟合到2D面部图像很困难，特别是表现出宽度范围的外观变化的面部。

本发明提出了一种基于张量的主动外观模型的表情变化识别方法，给定新的面部图像，主动外观模型(AAM)可以使用拟合算法重建和根据面部的形状和纹理信息建模；基于张量的AAM(T-AAM)使用多线性子空间分析来构造基于张量的形状和纹理模型；为了实现统一，又提出了统一的基于张量的主动外观模型(UT-AAM)。本发明提出了一种更有效和准确的基于级联回归的模型拟合算法用于UT-AAM拟合，提高了检测性能；减少了姿势，表情，照明和遮挡等的影响，提高了识别的准确性。

发明内容

针对姿势，表情，照明和遮挡等会产生影响的问题，本发明的目的在于提供一种基于张量的主动外观模型的表情变化识别方法，给定新的面部图像，主动外观模型(AAM)可以使用拟合算法重建和根据面部的形状和纹理信息建模；基于张量的AAM(T-AAM)使用多线性子空间分析来构造基于张量的形状和纹理模型；为了实现统一，又提出了统一的基于张量的主动外观模型(UT-AAM)。

为解决上述问题，本发明提供一种基于张量的主动外观模型的表情变化识别方法，其主要内容包括：

(一)基于张量的主动外观模型(T-AAM)；

(二)统一基于张量的主动外观模型(UT-AAM)。

其中，所述的基于张量的主动外观模型(T-AAM)，包括主动外观模型(AAM)和基于张量的AAM(T-AAM)。

进一步地，所述的主动外观模型(AAM)，具有两个基于主成分分析(PCA)的参数模型，即形状和纹理模型；给定新的面部图像I，AAM可以使用拟合算法重建和根据面部的形状和纹理信息建模；AAM拟合的目标是调整模型参数，以最小化生成面部实例和输入图像之间的像素强度差：

其中，W(I,α)是将由具有参数α的形状模型生成的形状内的面部纹理翘曲到参考形状的函数。

进一步地，所述的基于张量的AAM(T-AAM)，包括高阶奇异值分解(HOSVD)和构建T-AAM。

进一步地，所述的高阶奇异值分解(HOSVD)，张量是矢量和矩阵的高阶扩展；N阶张量是具有多个索引的N维数组；给定具有I_i同一性，I_p姿势，I_e表情和I_l光照变化的面部数据集，数据集的形状或纹理信息可表示为张量；在形状张量中，元素s(i_i,i_p,i_l,i_e,i_s)表示面部形状向量的第i_i与第i_p个姿态，第i_l个照明和第i_e个表情状态，其中I_s＝2L是面部形状矢量的维度；类似地，纹理张量以张量方式重组训练数据集的纹理矢量；

T-AAM使用多线性子空间分析来构造基于张量的形状和纹理模型，使用Tucker张量分解来获得形状和纹理模型；给定N阶张量Tucker张量分解导致：

其中，是具有输入张量的相同维数的核心张量，对其正交模式矩阵之间的相互作用进行建模张量和矩阵之间的模n的乘积‘×n’导致新的张量其中计算每个元素：