[发明专利]基于中心对称局部梯度编码的人脸表情识别特征提取算法

说明书

本发明涉及一种基于中心对称局部梯度编码的人脸表情识别特征提取算法，包括以下步骤：在一幅人脸表情灰度图像中，选取5×5大小的邻域；在所选择的邻域中使用中心对称的方法进行局部梯度编码；根据横向、纵向、对角线的顺序，依次比较对应像素值的大小，并用二进制表示邻域内中心像素的特征值。本发明设计合理，本发明提取的特征值对人脸表情图像的特征信息描述较为全面，可以进行有效的人脸表情识别，同时在时耗方面相对于基于5×5邻域内的LGC人脸表情识别算法也具有优势，并且泛化能力较好，可广泛用于人脸表情识别领域。

技术领域

本发明属于图像处理技术领域，尤其是一种基于中心对称局部梯度编码的人脸表情识别特征提取算法(CS-LGC)。

背景技术

一般的人脸表情识别主要分包括3个步骤：图像预处理与人脸检测、特征提取、分类识别。其中，特征提取是人脸表情识别系统的重要部分，也是提高识别精度的重要一步。

在多种特征提取算法中，基于局部特征的提取方法对光照、场景和姿势变化具有很强的稳定性，如Gabor小波、局部二值模式(LBP)等方法已经广泛应用于人脸识别、纹理分类人脸表情识别等领域，但是，在人脸表情识别过程中，这些算子不能准确地描述面部肌肉、皱纹等变化的纹理特征。为了解决这一问题，2014年TongYing等人提出了一种局部梯度编码(LGC)算法，该算法是在3×3的邻域内，通过从水平、垂直、对角线3个梯度方向上比较邻域间强度大小进行编码，提取图像纹理特征。这种方法充分考虑了纹理变化对表情的影响，可以提高识别率，但是，该算子的邻域固定，不能在大的尺度下有效地提取图像纹理特征，容易丢失部分梯度方向信息，易受噪声影响，在识别率方面还是存在不足。

为了改善这一不足，2017年沈思等人提出了基于5×5邻域内的LGC人脸表情识别(LGC-FN)，在5×5邻域内，对目标像素周围横向、对角线三个方向计算特征值，最后，使用支持向量机(SVM)进行分类。该方法使识别率有了进一步提高。

LGC和LGC-FN在进行邻域划分时，分别取3×3和5×5邻域计算特征值，但在计算的过程中，缺少纵向梯度信息，横向、纵向信息与对角线信息不平衡，且计算维数较高，从而会导致最终的人脸识别效果并不理想。

综上所述，现有的局部特征提取算法在人脸表情识别方面还有很大的提升空间。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于中心对称局部梯度编码的人脸表情识别特征提取算法，其在人脸表情识别的过程中，能够准确地描述人脸表情特征，从而提高识别率。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于中心对称局部梯度编码的人脸表情识别特征提取算法，包括以下步骤：

步骤1、在一幅人脸表情灰度图像中，选取5×5大小的邻域；

步骤2、在所选择的邻域中使用中心对称的方法进行局部梯度编码；

步骤3、根据横向、纵向、对角线的顺序，依次比较对应像素值的大小，并用二进制表示；

步骤4、计算邻域内中心像素的特征值。

进一步，所述步骤2采用中心对称的方式进行局部梯度编码，只选取与中心像素连通的横向、纵向、对角线四个方向上的像素点进行比较。