[发明专利]一种人脸特征降维提取方法及系统

权利要求书

1.一种人脸特征降维提取方法，其特征在于，包括以下步骤：

对人脸数据进行直方图规定化并检测人脸的特征点，根据特征点配准人脸和确定眼睛和嘴巴区域以得到人脸图像；

采用光流应变识别出微表情的高潮帧，对高潮帧使用局部非负矩阵分解提取特征向量得到微表情特征样本，对宏表情数据进行非负矩阵分解得到宏表情特征样本，通过宏微转换算法生成新的微表情特征样本；

基于傅里叶描述子提取人脸图像的原始形状特征，基于空间分块、多级量化LBP算子提取宏表情特征样本的原始纹理特征，结合特征提取、特征选择实现微表情特征样本的特征降维，将形状特征与纹理特征结合以实现人脸样本的描述；

根据特征描述构建各类别的训练样本集，分别学习得到每个类别的形状-纹理超完备联合字典，以混合字典实现性别建模，对每个样本进行稀疏表示的集成向量估计以实现人脸图像的性别分类。

2.根据权利要求1所述的人脸特征降维提取方法，其特征在于，采用光流应变识别出微表情的高潮帧，对高潮帧使用局部非负矩阵分解提取特征向量得到微表情特征样本，包括：

若某点在当前帧t时刻的坐标为(x，y)，对应图像灰度为I(x，y，t)，在下一帧t+1时刻运动到坐标(x+Δx，y+Δy)，对应的灰度I(x+Δx，y+Δy，t+I)，光流法用于求解出位移(Δx，Δy)或者速度(v_x，v_y)，其中，同一个点在图像中的灰度保持不变，邻近区域内的点光流一致，I(x+Δx，y+Δy，t+I)＝I(x，y，t)，对该式进行泰勒展开并忽略高阶项，则I(x，y，t)＝I(x，y，t)+I_xΔx+I_yΔy+I_t，其中I_x、I_y和I_t为I对x、y和t的偏导数，对上式进行移位则I_xV_x+I_yV_y＝-I_t；

对图像中的各点列上述同样的方程，并施加约束以求解出全图的光流，光流应变反映非刚体在运动过程中发生的形变，若某区域速度高于或低于邻近区域，则该区域会出现明显形变，根据光流在空间中的变化率去度量形变，定义矩阵光流应变定义为发生微表情时，脸部某些微小区域会出现形变，检测微表情时，计算出每一帧RoI内像素的应变值，将应变值累加作为该帧的总应变值；

计算出每帧的总应变值μ_f，f＝1，2，3...，N，N为视频样本最大帧数，令lo＝0，hi＝N，计算mid＝(lo+hi)/2，sum1＝sum(μ_lo，...μ_mid)，sum2＝sum(μ_mid+1，...，μ_hi)，若sum1≤sum2，令lo＝mid，否则hi＝mid；若lo＜hi，回到上述计算mid，否则进入第lo帧为检测到的高潮帧。

3.根据权利要求2所述的人脸特征降维提取方法，其特征在于，还包括：

将数据整体分解成各个组分以提取特征并进行降维，矩阵分解的表达式为D＝WH，式中D∈R^m×n为数据矩阵，m表示数据的维度，n表示样本的个数，W∈R^m×r为基矩阵，H∈R^r×n为系数矩阵，NMF采用KL散度作为损失函数，度量分解结果与原数据矩阵之间的差距，KL散度是一种度量两个矩阵X和Y相似度的指标，其表达式为NMF的优化过程为minD(D||WH)s.t.w，H＞0，

将数据集中所有样本的高潮帧拉伸成一列向量，将它们堆叠起来组成数据矩阵D，执行LNMF得到数据集的基矩阵W并保存，H各列向量为各样本的特征向量并送入SVM中训练；对新的输入样本固定上一步得到的W求解H，将特征向量送入SVM预测。