[发明专利]基于ELM自编码算法的快速人脸表情识别方法在审
申请号: | 201710188162.6 | 申请日: | 2017-03-27 |
公开(公告)号: | CN107085704A | 公开(公告)日: | 2017-08-22 |
发明(设计)人: | 陆晗;曹九稳;朱心怡 | 申请(专利权)人: | 杭州电子科技大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00 |
代理公司: | 杭州君度专利代理事务所(特殊普通合伙)33240 | 代理人: | 杜军 |
地址: | 310018 浙*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 elm 编码 算法 快速 表情 识别 方法 | ||
技术领域
本发明属于图像处理领域,阐述了人脸表情的情绪识别的全过程,尤其涉及一种基于ELM自编码算法的快速人脸表情识别方法。
背景技术
人脸表情的情绪识别,也就是在图片或者视频中识别出人脸,并作进一步的情绪分析,这在过去的几十年间成为生物智能特征识别领域的一个热点。情绪识别在本质上是要赋予计算机如何“察言观色”的能力,改善目前比较呆板,不成熟的人机交互环境。
人脸表情的情绪分析主要包括以下几个方面:人脸检测与定位、图像预处理、表情的特征提取、表情分类及情绪分析。人脸检测常指在图像中检测到人脸区域,如若包含人脸,还需要定位到人脸的位置并确定尺寸,本文采用的是基于Adaboost的人脸检测法,这是一种迭代的算法,对于一组训练集,通过改变其中每个样本的分布概率,而得到不同的训练集Si,对于每一个Si进行训练从而得到一个弱分类器Hi,再将这些弱分类器根据不同的权值组合起来,就得到了强分类器。检测后的表情图像中通常会存在噪声、对比度不够等缺点,这些往往是由光照强度程度以及设备的性能优劣等因素所造成。因此预处理是人脸情绪识别过程中的一个非常重要的环节,有效的预处理方法能有利于提高人脸表情识别率。经过预处理后,特征提取算法将应用于人脸图像提取不同表情的特征。本专利采用自编码器和超限学习机结合的ELM-AE算法作为特征提取方法,这是一种高效实用的自编码算法,样本数据经过编码和解码处理,若重构误差足够小,在限定范围内,即可认定此编码code是对输入样本数据的有效表达,即可作为人脸图像表情的描述向量。最后,实现表情识别分类以及进一步的情绪分析,依据人脸表情图像特征提取获得的特征矢量构建识别模型训练特征库,给定被测目标类别标识,包括高兴、悲伤、惊讶、恐惧、愤怒、厌恶和中性。
表情特征提取是整个人脸表情识别系统中重要的部分,传统的LBP、基于几何特征以及基于模板的特征提取方法都有一定的缺陷,例如LBP特征提取法难以处理高维数据,且运行速度慢;基于几何特征的方法适应性不够强,同时还会丢失部分信息。
表情识别的实质是设计一个高效的分类器,根据前阶段提取的特征向量数据,将目标表情分类为六种基本表情类别之一或分为中性表情。由此可见,分类器的设计直接影响到表情识别和情绪分析的最终效果。由于特征提取后的数据量较大,而传统的人工神经网络、基于模板匹配、支持向量机SVM等方法运行速度不够快,而且因为需要的训练样本过多和过长的训练时间,无法满足实时性的需求。因此本文采用基于极限学习机(Extreme Learning Machine,ELM)算法的分类器来进行快速表情识别分类。ELM是一种简单易用、有效的单隐层前馈神经网络(SLFNs)学习算法。它在表情分类上有以下几点优势:(1)ELM在输入层和隐藏层之间采用随机权重。我们可以多次训练相同的数据集,这给不同的分类精度不同的输出空间。(2)ELM是一个更简单的前馈神经网络的学习算法。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,这样就会非常容易产生局部最优解。而ELM在确定网络参数的过程中,只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解。因此,ELM学习速度比传统人工神经网络更快且泛化性能更好,可以最快地实现表情分类以及情绪识别。
ELM的输出为其中:βi是隐层节点和输出节点之间的权重,G(ai,bi,x)是隐层输出函数。h(x)=[G(a1,b1,x),...,G(aL,bL,x)]T是隐层相对于输入x的输出向量。ELM的关键在于最小化训练误差和输出权重范数。即最小化以及||β||。
ELM算法总结如下:给定训练集{(xi,ti)xi∈Rn,ti∈Rm,i=1,2,...N},隐层节点输出函数g(w,b,x)和隐层节点数L。
(1)随机分配隐层节点的参数(wi,bi),i=1,2...,L。
(2)计算隐层输出矩阵Η。
(3)计算隐层节点和输出节点之间的权重β.β=H+T。
H+是隐层输出矩阵H的Moore-Penrose广义逆矩阵,可以使用正交投影法、正交化法和奇异值分解等方法来计算得到。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学,未经杭州电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710188162.6/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种工具钳
- 下一篇:一种特征选择的森林参数遥感估测方法