[发明专利]一种跨数据集的面部表情识别模型构建及识别方法

说明书

本发明公开了一种跨数据集面部表情识别模型构建方法以及识别方法，通过自适应非负加权矩阵约束训练表情图像的重建误差，加强了图像数据表示中重要特征的作用并减少了具有重大重建误差的无用特征。另外通过映射矩阵将训练集投影到适当的子空间中，可以更好地揭示跨数据集图像样本之间的内在相似关系，从而使基于低秩与稀疏表示的子空间能够学习鲁棒的重建图像以便于实现最终的跨数据集面部表情识别。

技术领域

本发明涉及面部表情识别领域，具体涉及一种跨数据集的面部表情识别模型构建及识别方法。

背景技术

现有的面部表情识别方法主要是基于所捕获的测试图像与训练图像均来自相同条件和相同个体的这一假设，且这些方法受限于大量的标记样本。然而当这些方法的训练与测试过程分别来自不同条件和不同个体的表情数据库上时，它们的识别性能将会显著下降。同时当已标记的训练样本严重不足时，现有的面部表情识别方法在学习过程中往往会出现过拟合现象，使得学习得到的模型在测试过程中无法获得应有的效果。

目前国内仅有个别针对跨域有限标记的人脸识别算法被提出，例如一种基于稀疏子空间聚类的跨域人脸迁移学习算法。然而该方法对待所有特征甚至包括一些冗余特征和噪声没有区别，这些冗余特征和噪声不仅无用，而且可能对图像数据表示不利。特别是当这些冗余特征的百分比大于有效特征时，冗余特征可能在图像数据表示中起主导作用。在这种情况下，基于子空间学习的图像是不精准的，进而导致不理想的聚类效果。

发明内容

本发明的目的在于提供一种跨数据集的面部表情识别模型构建及识别方法，用以解决现有技术中跨数据集的表情识别方法聚类效果不理想的问题。

为了实现上述任务，本发明采用以下技术方案：

一种跨数据集面部表情识别模型构建方法，所述的方法包括：

步骤1、获得面部表情图像训练集，所述的训练集包括第一数据集中的多幅已标记的面部表情图像以及第二数据集中的多幅未标记的面部表情图像，在所述的训练集中每幅已标记的面部表情图像对应一个标记标签，每幅未标记的面部表情图像对应一个随机标签；

步骤2、对所述训练集中的每幅面部表情图像进行人脸位置固定的预处理后再进行图像尺寸的归一化，获得每幅预处理后的面部表情图像；

步骤3、根据式I获得每幅预处理后的面部表情图像的相似图像：

其中，X_s为预处理后的面部表情图像，P为预处理后的面部表情图像的相似图像，M为投影矩阵，W为非负加权矩阵，E为重建误差，P₁为相似图像P的低秩表示、P₂为相似图像P的稀疏表示，λ₁为非负加权矩阵W的参数，λ₂为相似图像P的低秩表示P₁的参数，λ₃为相似图像P的稀疏表示P₂的参数，λ₁0，λ₂0，λ₃0；

步骤4、对所有预处理后的面部表情图像的相似图像进行聚类，获得每幅预处理后的面部表情图像的相似图像的聚类结果，所述的聚类结果为每幅面部表情图像的确定标签，收集面部表情图像训练集中所有面部表情图像的确定标签，获得面部表情确定标签集；

步骤5、利用所述的面部表情图像训练集作为输入，利用所述的面部表情确定标签集作为输出，训练识别模型，获得面部表情识别模型。

进一步地，所述的步骤2、对所述训练集中的每幅面部表情图像进行人脸位置固定的预处理后再进行图像格式的归一化，获得预处理后的训练集，包括：

步骤21、将所述训练集中的每幅面部表情图像中的每个眼睛的中心点固定至相同位置，将所述眼睛中心点固定后的每幅面部表情图像中的嘴巴中心点固定至相同位置；