[发明专利]一种基于复杂环境下的人脸情绪识别方法

说明书

技术领域

本发明涉及人工智能的移动视频图像识别的技术领域，尤其涉及一种复杂环境下的人脸识别方法，这是目前全球范围内的一个新兴领域。

背景技术

基于视频图像的人脸识别在国际上是一个新兴的重要研究领域，在美国英伟达(NVIDIA)2006年推出基于服务器和电脑主机的深度学习图形处理器显卡(GPU)以来，世界领先的高科技公司如Google、苹果公司、亚马逊公司，知名的科研院所如麻省理工、伯克利和斯坦福，纷纷采用英伟达的GPU显卡研发基于图像识别的应用。相比之下，全球移动嵌入式的视频图像识别市场远远落后于基于服务器的同类应用，直到2017年5月中旬才有包括英伟达在内的厂商开始提供高性能机器视觉和深度学习的GPU模组，移动嵌入式的视频图像识别应用市场正处于蓄势待发之际。

人脸识别主要包括面部区域划分、特征点提取和分类三个部分。面部区域划分是将人脸划分为若干个兴趣区域(Region ofInterest)；特征点提取是从每个兴趣区域中提取关键的特征点，然后将特征点进行合并，特征提取方法一般包括PCA主成分分析、LDA线性分析等方法；分类是选择合适的判别标准和分类决策，设计适合人脸特征的分类器比如RVM相关向量机、Kernel核技术、统计特征或神经网络进行分类识别。在人脸图像识别中，特征点提取和分类需要设计参数，并确定参数的权值，进行加权处理，获得图像变换系数矩阵，从而实现具有一定准确率的人脸识别。在移动嵌入式的视频人脸识别中，人脸识别需要克服光线的明暗、动作状态、人脸部位、多人及背景嘈杂度等各种信息。目前用于人脸识别的现有技术有CNN卷积神经网络、贝叶斯网络(Bayes Network)、深度卷积神经网络(Deep Convolutional Neural Network)、对抗性神经网络GANs(Super-resolution Generative Adversarial Network)、增强学习(Reinforcement Learning)、稀疏特征、随机森林、动作跟踪、统计模型或支持向量机等方法。在人脸识别领域，目前绝大部分公司都是采用上述任何单一的方法，单一的方法能够达到一定的效果，但是也有存在很大的黑箱，比如在摄像头抓拍的各种复杂环境如光照、模糊、阴影、晃动、抖动、移动、人脸显示不全、多人脸环境、嘈杂背景下的识别率不高、准确率不高、实现代价过高。在ARM中央处理器和Linux操作系统构成的移动嵌入式计算平台上，市场上情绪识别的方法缺乏底层核心人脸识别技术的支持，没有或极少有应用在移动嵌入式设备视频的高效快速的人脸情绪识别案例。因此以上的任何单一技术开发的人脸情绪识别方法，都很难在移动嵌入式的计算平台的基础上演变为技术方案，因此很难产业化。

发明内容

针对上述技术中普遍存在的不足之处，本发明首要目的是提供一种基于复杂环境下的人脸情绪识别方法，该方法解决在移动嵌入式的各种复杂环境如光照、模糊、阴影、移动、晃动、抖动、人脸部位不全、多人脸环境、嘈杂背景下实时获取的人脸情绪识别率、准确度和可靠性。

本发明另一个目的是提供一种基于复杂环境下的人脸情绪识别方法，该方法采用传统人工智能的图像模式识别(Image and Pattern Recognition)和深度学习(Deep Learning)相结合的方法，有效地分辨“快乐、伤心、愤怒、恐惧、厌恶、惊讶、轻蔑、中性”等基本情绪及更深入的组合情绪，促进人机之间的情感交互，促进人机互动娱乐如各类游戏中的情感道具、增强现实或虚拟现实等四维虚拟环境中的虚拟和仿真游戏、人与人之间远程视频交流中的情绪提示、情绪调节和情感交流。

为了实现上述目的，本发明的实现方法描述如下。