[发明专利]一种基于肝豆状核变性患者的人脸表情识别系统

说明书

本发明公开了一种基于肝豆状核变性患者的人脸表情识别系统，倾斜校正单元通过旋转操作对倾斜的人脸图像进行校正；几何归一化单元对表情图像进行裁剪，获得表情分布丰富的区域；光照归一化单元用于增强图像对比度，光照归一化单元通过直方图均衡化对表情图像进行处理；LBP特征提取单元通过计算局部二值模式LBP用来描述人脸图像局部纹理特征；表情分类模块通过支持向量机SVM对表情进行分类。本发明通过将人脸识别技术与患者病情的评估与康复有机结合，实现计算机辅助的自动化障碍评估与康复，不仅可以辅助医生诊断、治疗，也可用于患者自行诊断，对于患者发现病情并及时掌握病情的发展有极大的帮助，具有很高的临床实用价值、社会价值和现实意义。

技术领域

本发明属于人脸表情识别系统技术领域，特别是涉及一种基于肝豆状核变性患者的人脸表情识别系统。

背景技术

近年来计算机科学与技术的飞速发展与进步，为人工智能与模式识别技术的迅猛发展创造了良好的先决条件，也为人机交互技术的高速进步奠定了良好的基础。利用人类固有的静态外观特征或者动态行为特征识别人类自身的生物特征识别技术，逐渐受到了研究者们的关注。生物特征的识别一般包括面部表情识别、虹膜识别、指纹识别、手形识别等方面，尤其是人的面部表情识别在实际工作与生活中应用广泛，例如在临床医学中，表情识别技术可以辅助医生了解病人身体状况的变化、诊断病症等。

肝豆状核变性(hepatolenticular degeneration，HLD)患者神经系统表现一般出现在12-30岁患者，平均年龄约19岁，常缓慢发展，可有阶段性缓解或加重，亦有进展迅速者，特别是年轻患者。突出的神经系统临床表现是锥体外系症状，表现为肢体舞蹈样及手足徐动样动作，肌张力障碍，怪异表情，静止性、意向性或姿势性震颤，肌强直，运动迟缓，构音障碍，吞咽困难，屈曲姿势及慌张步态等。

深度结构化学习已经成为机器学习研究的新领域，研究表明多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类，深度神经网络在训练上的难度，可以通过“逐层初始化”来有效克服，逐层初始化可通过无监督学习实现的。在过去的这几年中，深度学习的开发技术对传统的信号与信息处理研究产生了广泛的影响，更广泛的来看，也包括机器学习和人工智能等重要领域。

当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。深度学习能够得到更好地表示数据的特征，同时由于模型的层次、参数很多，容量足够，因此，模型有能力表示大规模数据，所以对于图像这种特征不明显的问题，能够在大规模训练数据上取得更好的效果。此外，从模式识别特征和分类器的角度，深度学习框架将特征和分类器结合到一个框架中，用数据去学习特征，在使用中减少了手工设计特征的巨大工作量，因此，不仅效果可以更好，而且使用起来也有很多方便之处，是机器学习领域十分值得关注的一套框架。

同时，人脸识别样本采集工作以往都是基于图像的方式。比如，先让受试者依次有序的处于某个拍摄点；然后，样本采集工作者根据姿态、光照、表情等差异对受试者进行多次拍摄；最后，样本采集工作者根据拍摄得到的图像进行筛选处理，建立人脸识别样本库。这种基于图像的方式虽然直观，但仍然存在三点不足:第一，让大量的受试者依次有序的处于拍摄点进行多次拍照，这种做法十分耗时耗力；第二，人脸识别对人脸样本在分辨率上有严格的要求，因此，拍摄的图像能否达到识别标准，尚须要样本采集工作者一一查验。

发明内容

本发明的目的在于提供一种基于肝豆状核变性患者的人脸表情识别系统，通过将人脸识别技术与患者病情的评估与康复有机结合，将人工智能应用到临床医学中，实现计算机辅助的自动化障碍评估与康复，不仅可以辅助医生诊断、治疗，也可用于患者自行诊断，对于患者发现病情并及时掌握病情的发展有极大的帮助，具有很高的临床实用价值、社会价值和现实意义。