[发明专利]一种基于特征提取的人脸表情识别方法

说明书

本发明公开了一种基于特征提取的人脸表情识别方法，首先将人脸表情图像分成子区域，对同一像素点，采用两个不同尺度大小的AR‑LGBP算子得到两个八位二进制序列，将两个二进制序列一一对应进行逻辑异或运算，得到一个新的二进制序列，此序列转换为的十进制数值即为此像素点的像素值，按照此方法计算每个子区域中每个像素点的像素值得到子区域的直方图，连接子区域的直方图生成人脸表情特征向量；最后，通过主成分分析算法对生成的特征向量降维，再结合SVM分类器进行人脸表情分类识别。本发明既考虑到邻域间的像素关系，能增加特征描述能力，又具有扩展性，可以在不同尺度下提取特征。

技术领域

本发明涉及数字图像处理技术领域，具体为表情识别过程中采用的高效率、低复杂度、鲁棒性好、鉴别能力强的特征提取技术。

背景技术

目前，对于人工智能的研究已经达到了较高的水平，而对人类情感和认知的研究相对较少。现实生活中，人们都期望计算机可以像人类一样服务于社会，在人机交互时更加的智能化，而仅具备视觉和听觉这些感知能力是远远不够的，还需加入情感理解和情感识别功能。而人脸所反映出的视觉信息是人类情感表达和交互最直接最重要的载体，研究者可通过面部表情的变化揣测出表达者内心真实的想法。所以，表情识别对情感的研究非常重要。

由于人类情感和人脸表情的复杂性以及目前一些领域对表情识别准确度的要求越来越高，经典的局部二值模式(Local Binary Pattern，LBP)特征提取算法在提取纹理特征以及实现时间方面都有了很大的改善。

经典的LBP算法中，在3×3大小的窗口范围内，以中心像素值作为阈值，对邻域内8个像素点进行二值化处理。通过比较中心像素g_c与邻近像素g_i灰度值的大小关系来进行编码，其结果为八位的二进制数，若g_i≥g_c，则为1，反之为0。然后从左上角开始顺时针将邻域8个采样点的二进制码连接起来，组成中心像素的LBP二进制码序列。最后通过给每个二进制数分配一个二项式系数2ⁿ加权求和就得到了中心像素的LBP十进制码。LBP具有灰度不变性，旋转不变性，具有强大的抗干扰性和纹理判别能力，计算简单，对光照有一定的抑制作用。LBP的计算过程只是针对中心像素与邻域像素进行比较，没有考虑邻域像素间的灰度关系，不能对非局部信息进行提取。

针对这一问题，业界提出局部梯度二值模式(Local Gradient Binary Pattern，LGBP)解决方案。LGBP从水平、垂直、对角线方向上计算局部像素间的关系，分别比较水平、垂直、对角线方向上边缘处两个像素值来进行编码，若比较结果大于等于0，则赋值为1，否则为0。将结果从左上角开始顺时针分别填入邻域8个采样点，最后将8个采样点的二进制码连接起来组成LGBP的二进制序列。将比较结果分别能准确表达出图像中各个表情区域的变化情况。最后通过给每个二进制数分配一个二项式系数2ⁿ加权求和就得到了LGBP十进制码。 LGBP具有比LBP更强的鉴别能力，但该算子易受到噪声的影响，且邻域大小固定，不能在大尺度下很好的提取纹理特征。

发明内容

有鉴于此，本发明旨在提出基于改进的LGBP即非对称局部梯度二值模式(Asymmetric Region Local Gradient Binary Pattern，AR-LGBP)的人脸表情识别方案，既考虑到邻域间的像素关系，能增加特征描述能力，又具有扩展性，可以在不同尺度下提取特征。

为了实现上述目的，本发明采用的技术方案是一种基于特征提取的人脸表情识别方法，包括以下步骤：

步骤一，将人脸表情图像分成若干子区域。

步骤二，采用非对称局部梯度二值模式计算子区域中各像素点的像素值，得到子区域像素值的直方图。

步骤三，连接各子区域的直方图生成人脸表情特征向量。