[发明专利]一种人脸表情的识别方法

说明书

本发明涉及一种人脸表情的识别方法，具体包括以下步骤：步骤1：针对人脸表情数据集中的各个图像，检测图像中的人脸及特征点；步骤2：在步骤1的基础上，生成人脸图像上各个特征点局部区域的特征向量，计算基于人脸特征点的表情特征；步骤3：进行计算人脸表情特征向量；步骤4：在步骤3的基础上，利用自编码神经网络方法进行降维；步骤5：计算并得到非线性高维分类模型；步骤6：当用户输入人脸视频后，按照步骤1～步骤4方法构造新型较低维的形状特征描述符；步骤7：将输入视频人脸图像特征描述符与分类模型进行比较，从而确定出人脸表情图像在不同分类中的概率值。本发明的有益效果是：提高表情特征的描述能力；提高了表情识别的准确率。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种人脸表情的识别方法。

背景技术

面部表情通过人脸不同部位的形状变化表现出来，进而表达各种不同的情绪状态，传达不同的情感。利用图像几何形状变化分析识别人脸表情具有十分广泛的应用前景。

人脸表情识别可应用于个性化定制，根据用户脸部表情识别判断其情感状态，进而推荐符合用户需求的各项服务，包括娱乐内容推荐，生活服务信息推荐等；可应用于网上在线学习，根据表情变化判断用户对所学习内容的兴趣程度，对学习内容进行自动评价及调整，引导用户进行有效性学习；可应用于自动产品或广告评价，通过用户使用及欣赏产品或广告时的表情变化，判断用户喜好程度，从而产生评价内容；可应用于智能虚拟人交互，通过用户情感识别，调整虚拟人的表情，达到自然人机交互的目的。对人脸表情的识别还可以应用于司法、安全、医疗、通信、汽车制造等领域。

人脸表情识别技术大都建立在美国心理学家保罗·艾克曼(Paul·Ekman)对表情分类的基础上，保罗·艾克曼将人脸表情分为七个分类：中性、高兴、愤怒、悲伤、惊讶、厌恶及恐惧。根据人脸表情的分类，可以通过人脸图像在不同分类上的概率值分布识别不同的表情状态，因此对表情分类的准确性直接代表了表情识别的准确性。

现有表情分类方法分为两种：

第一种方法基于神经网络技术发展，通过对大规模不同表情人脸数据直接进行多层深度网络学习，训练分类模型，达到表情分类的目的。这种方法需要有两个必要条件保证分类结果的有效性。一个是样本数据量必须足够巨大，另外要求硬件计算能力足够强大。而现有样本数据量很难满足此类算法的要求，实时计算系统尤其是移动端设备无法支撑算法所需的计算量。

第二种方法的技术框架是先提取人脸表情形状特征，再用不同分类方法对高维特征进行分类。这种方法的有效性取决于准确的特征表达和分类方法。特征表达要求能够描述局部形状细节，针对小样本数据及特征的高维特性，应具有高效的非线性分类方法支持。

发明内容

针对现有技术存在的缺陷，本发明提供了一种人脸表情的识别方法。

本发明的技术方案是：一种人脸表情识别方法，具体包括以下步骤：

步骤1 针对人脸表情数据集中的各个图像，检测图像中的人脸及特征点：

步骤1.1针对人脸表情训练数据集中的各图像，检测图像中的人脸并实现特征点对齐，为了准确检测不同人脸特征点的准确位置，需要利用样本人脸中手工标注的特征点对平均人脸特征点的位置进行最优化回归计算,定义优化函数为如下公式(1)：

其中，表示平均人脸的特征点，经过回归计算后得出人脸的68个特征点，平均人脸的特征点是对样本人脸中特征点的位置进行平均计算得到，表示当前人脸特征点，函数用来计算特征点局部区域特征；

步骤1.2在步骤1.1的基础上，为了得到最优化结果，计算平均人脸特征点到当前人脸特征点之间的一条最佳迭代路径，即计算f(x)的最小值，也就是计算从x₀位置到x位置的最优下降过程，而f(x)的最小值则由f‘(x)＝0计算得到，基于泰勒展开得到和Δx之间的一个线性关系为如下公式(2)：