[发明专利]人脸微表情的识别方法

摘要

本发明人脸微表情的识别方法，涉及应用电子设备进行识别图形的方法，是在对人脸微表情图像序列预处理完成之后，使用Birnbaum-Saunders分布曲线建立回归模型，再使用CBP-TOP算法提取人脸微表情序列的动态时空纹理特征，最后使用分类器进行训练和预测，该方法克服了现有人脸微表情的识别方法存在对人脸微表情图像的亮点、边缘和白色噪声微小特征较为敏感，因而识别性能低的缺陷。

主权项

人脸微表情的识别方法，其特征在于：是一种使用CBP‑TOP算法提取微表情序列的动态时空纹理特征的人脸微表情的识别方法，具体步骤如下：第一步，人脸微表情图像预处理使用Adaboost算法检测微表情图像中的人脸，并进行裁剪，采用双线性差值算法实现图像的尺寸归一化，经过人脸微表情图像预处理后的人脸微表情图像大小为180×180像素；第二步，人脸微表情检测使用Birnbaum‑Saunders分布曲线建立回归模型，用于标记人脸微表情图像序列，其中包括人脸微表情出现的开始帧Apex1，持续时间和结束帧Apex2，由此完成人脸微表情检测；第三步，使用CBP‑TOP算法提取人脸微表情序列的动态时空纹理特征利用CBP‑TOP算法对第二步标记完成的人脸微表情图像序列进行分块时空域纹理特征的提取，使用第二步得到的有效描述人脸微表情序列的8帧图像，将其分成16×16个非重叠的块，在每一子块上提取CBP‑TOP特征，并对该子块进行CBP‑TOP特征的直方图统计，最后将所有子块的特征直方图串联成整个人脸微表情序列的特征直方图，由此提取人脸微表情序列的动态时空纹理特征，即获取人脸微表情序列在XY平面的形变信息，以及在XT平面和YT平面的运动信息，所述CBP‑TOP特征是图像本身存在的纹理特征，提取过程是通过CBP码计算得到的；第四步，使用ELM分类器进行训练和预测使用ELM分类器进行训练和预测，一则是用以验证CBP‑TOP算法的有效性，二则是对人脸微表情序列的特征进行分类识别，判断提取的特征究竟属于哪类人脸微表情。