[发明专利]一种基于反向协同显著区域特征的表情识别方法

说明书

本发明公开了一种基于反向协同显著区域特征的表情识别方法。整个识别过程主要分为预处理、表情显著区域的检测、显著区域的特征提取、赋值权重、识别分类五个部分，其具体步骤如下(1)先将训练测试样本进行人脸区域的分割，(2)对分割的部分利用反向协同显著检测算法进行表情的显著区域的提取，(3)利用LBP算子和HOG算子对显著区域分别进行特征提取，(4)利用支持向量机对各个显著局部特征进行初步分类，并赋值权重，(5)用多分类决策机制进行识别分类。本文结合表情之间的关联性，利用其提取出含有表情丰富信息的的局部区域，大大的减少计算量，同时，利用多分类决策机制进行分类，使得识别率也相应的提高。

技术领域

本发明属于图像处理技术领域，特别涉及一种表情识别方法，可用于人机互动等。

背景技术

人脸表情识别是模式识别领域的一个分支，该研究可以使人机交互的方式在根本上进行改变，是目前研究的热点之一。人脸表情的识别技术主要流程是先提取维数低、鲁棒性高同时表情描述能力强的局部区域，然后根据不同面部区域对不同表情的影响程度进行多特征融合，从而达到识别率的提升和鲁棒性的增强。如何有效提取局部区域以及融合局部信息，提高最后的决策精度，已成为表情识别领域新的研究方向。

人脸表情识别技术考虑的因素主要有两个，一个是表情识别的准确率，另一个是识别时间的消耗。其他因素不考虑的情况下，提取表情图像的局部越有表征性，系统的识别率就会越高，而且相对全局特征而言，时间消耗率会降低很多。

发明内容

本发明为解决单幅表情图像识别缺乏表情间关联性及单分类器的局限性问题，提出一种基于协同显著区域特征表情识别方法。本文结合表情之间的关联性，提出反向的协同显著区域提取的算法，利用其提取出含有表情丰富信息的局部区域，大大的减少计算量，同时，利用多分类决策机制进行分类，使得识别率也相应的提高，这在理论上是可行的。

本发明的目的通过如下技术方案实现：

S1：利用snake算法对表情数据集进行人脸轮廓提取，去除背景、头发等表情不相干部分。

S2：对于提取的人脸部分，利用反向协同显著区域算法进行表情的显著区域提取。

S3：利用SVM算法对各个局部的显著区域进行初步分类，根据分类结果对各个局部显著区域进行赋值权重。

S4：利用LBP算子提取局部区域的纹理特征，利用HOG特征提取显著区域的整体形状特征。

S5：根据各局部显著区域的纹理特征，都利用SVM分类器进行分类，判断是否各局部识别结果是否一致，如一致，直接得到识别结果，如不一致，到步骤S6。

S6：根据整体局部显著区域的形状特征，对表情识别，得到识别结果与S5中的结果进行比较。

S7：S6中的结果与S5中的结果进行对比，判断是否有两个识别结果相同，如果存在，则输出识别结果，如果各个识别结果都不一致，则输出权重值最大显著区域的识别结果。

本发明的优点在于利用表情之间的变化关系，采用反向协同显著提取算法，提取能够表征表情的显著区域，另外，采用多分类决策机制，解决单一分类器的局限性，使得算法在时间复杂度和识别率上有一定的提升。

附图说明

图1表示数据集原始图像和预处理之后的图像。

图2表示协同显著区域提取的结果图像。

图3表示部分识别错误的对比图。

图4表示整个识别过程的流程图。

具体实施方式

一、数据集预处理