[发明专利]基于ELM自编码算法的快速人脸表情识别方法

摘要

本发明公开了一种基于ELM自编码算法的快速人脸表情识别方法，本发明包括步骤如下步骤1、训练基于Adaboost的人脸区域检测分类器并进行人脸检测；2、对检测到的人脸区域进行预处理，包括裁剪、尺寸归一化以及直方图均衡化处理；3、采用基于自编码器和超限学习机结合的ELM‑AE算法作为特征提取算法，对预处理后的人脸表情图像进行特征提取；4、构建基于超限学习机的人脸表情分类器，将特征提取的向量输入到表情分类器中，输出结果即为此人脸的情绪。本发明能够更为快速高效地提取主要信息并降维。表情识别分类时，ELM只要调节神经元的一个参数，识别运行时间短，并且准确率高，是一种高效且学习速度快的算法。

主权项

基于ELM自编码算法的快速人脸表情识别方法,其特征在于包括如下步骤：步骤1、训练人脸区域检测分类器1‑1.给定一系列训练样本(x1,y1),(x2,y2),...,(xi,yi),(xn,yn)，其中xi表示第i个样本，yi＝0时表示其为负样本(非人脸)，yi＝1时表示其为正样本(人脸)，n为总共的训练样本数量；1‑2.初始化权重并作权重归一化：Dt(i)是第t次循环中第i个样本的误差权重，t＝1...T；1‑3.对每个特征f，训练一个弱分类器h(x,f,p,θ)；计算对应所有特征的弱分类器的加权错误率:1‑4.对所有样本的权重进行更新：其中βt＝ξt/1‑ξt，ei＝0表示xi被正确地分类，ei＝1表示xi被错误地分类；1‑5.训练之后的强分类器能够被用来进行人脸检测识别，如若图片中包含人脸，还会定位到人脸的位置并确定尺寸，强分类器H(x)：H(x)=1Σt=1Tαtht(x)≥1/2Σt=1Tαt0othersαt=log1/βt=log1-ξtξt]]>其中ht为训练时具有最小误差率ξt的弱分类器；步骤2、人脸区域预处理；2‑1.把检测出的人脸区域进行感兴趣区域ROI裁剪出来，然后对图像作像素尺寸归一化处理：将图片缩小/放大到某一合适的像素尺寸；2‑2.对归一化处理后的图像作直方图均衡化处理来增强图像对比度；对于离散图像，均衡化公式为：Pr(rk)＝rk/N,0≤rk＜1；k＝0,1,...,L‑1，其中N是像素的总数数，k为灰度级总数，对于8位的灰度图像k取28＝256，rk为第k个灰度级值；均衡化变换函数为：其中nj是灰度值为j的总像素数；步骤3、人脸表情图像特征提取；3‑1.给定训练样本：X＝[x1,x2,...,xN],即ELM‑AE的输入和输出矩阵；3‑2.随机生成隐层输入权值矩阵a＝[a1,...,aL]和正交化偏置向量矩阵b＝[b1,...,bL]，将输入数据映射到相同或者不同的数据维度空间：h＝g(ax+b)aTa＝I,bTb＝1其中：g()表示激活函数；3‑3.求解ELM‑AE的输出权值矩阵β；假设输入输出层神经元数量为d,隐含层神经元数量为L；若d＜L或d＞L,即对于稀疏及压缩的特征表达，若d＝L，即对于等维度的特征映射，β＝H‑1XβTβ＝I其中：H＝[h1,...,hN]表示ELM‑AE的隐含层输出矩阵；3‑4.向训练好的ELM‑AE系统输入预处理后的人脸表情图像，得到的隐含层输出矩阵向量H即为整幅人脸图像的纹理特征向量；步骤4、构建人脸表情分类器；4‑1.给定训练样本：{(xi,ti)|xi∈Rn,ti∈Rm,i＝1,2,...N}，隐层输出函数g(w,b,x)，隐层节点数L和测试样本y；4‑2.随机生成隐层节点参数(wi,bi),i＝1,2,...,L；4‑3.计算出隐层节点输出矩阵H(w1,…wL,x1,…,xN,b1,…bL)，且确保H列满秩，其中w是连接隐层节点和输入神经元的输入权重，x是训练样本输入，N是训练样本个数，bi是第i个隐层节点的偏差，g()表示激活函数；4‑4.计算出最优外权β：β＝H+T；4‑5.计算测试样本y对应的输出o＝H(w1,…wL,x1,…,xN,b1,…bL)β；4‑6.对测试样本进行表情识别分类，对ELM输出向量ο中最大值对应的类别即为该人脸的情绪；即