[发明专利]一种基于ILTP的人脸情绪预判方法

摘要

本发明公开了一种基于ILTP的人脸情绪预判方法，包括制作人脸情绪样本图库、利用改进的LTP算法ILTP提取人脸图像纹理特征进行训练、利用提取到的人脸图像纹理特征进行人脸情绪预判；所述制作人脸情绪样本图库包括以下步骤：S11、样本收集：收集整理人脸表情图片；S12、样本分类：对收集的人脸表情图片进行分类处理。该种发明设计合理，使用方便，利用改进后的图像纹理特征ILTP进行人脸特征的提取，人脸表情分类的准确性依赖于所提取特征的有效性，因而，表情特征的高效提取与应用是提高表情识别率的一个关键步骤，同时结合了算法进行人脸情绪样本的训练和识别，最终利用与残差融合的算法提高识别率，该发明简单方便，适合广泛推广。

主权项

1.一种基于ILTP的人脸情绪预判方法，包括制作人脸情绪样本图库、利用改进的LTP算法ILTP提取人脸图像纹理特征进行训练、利用提取到的人脸图像纹理特征进行人脸情绪预判，其特征在于：所述制作人脸情绪样本图库包括以下步骤：S11、样本收集：收集整理人脸表情图片；S12、样本分类：对收集的人脸表情图片进行分类处理，将人脸情绪分为三类：中性、积极和消极，中性情绪为人在正常情况下的面部表现；积极情绪为人高兴时候的面部表现；消极情绪包括生气、愤怒、悲伤、惊讶和消极的情绪；S13、样本正规化：将原始样本图像进行图像大小变换操作，将其图像分辨率统一到255*255，并将图像数据转化为浮点向量数据；S14、样本标记：根据不同类别对样本进行标记；所述改进的LTP算法ILTP：在图像均匀区域LTP算子用于人脸表情识别比LBP具有判别能力，对噪声和光照变化有好的鲁棒性，但LTP仍然存在不足，一方面产生的直方图维数过大；另一方面，LTP在图像的多尺度变化和局部遮挡等问题的处理上还有一定的局限，同时，传统LTP算子在编码的过程中只是简单将中心像素点值与邻域值进行比较，丢失了一些局部结构信息，针对LTP算子的缺点，编码过程中将会给中心像素和邻域值分配不同的权重得到新的g′c值，并将获得的g′c值用于后期编码，从而得到ILTP算子；所述利用ILTP算法提取人脸图像纹理特征进行训练的步骤：S21、获取待训练样本集；S22、对样本集中所有图像依次进行ILTP(8,2)变换，得到ILTP(8,2)特征图像，即每一张图像都可以得到一副顶层模式图像和一副底层模式图像；S23、将各幅图像得到的顶层模式图像分为3*5个相同大小并且相互不重叠的区域，对每个区域进行直方图统计得到特征数据；S24、将步骤S22得到UILTP(8,2)+SRC的特征数据作为SRC的输入进行SRC分类训练；S25、将各幅图像得到的底层模式图像分为3*5个相同大小并且相互不重叠的区域，对每个区域进行直方图统计得到特征数据；S26、LILTP(8,2)+SRC将步骤S24得到的特征数据作为SRC的输入进行SRC分类训练；所述利用人脸图像纹理特征进行人脸情绪预判包括以下步骤：S31、获取待测样本图片；S32、ILTP(8,2)：利用ILTP(8,2)算子得到待测样本图片顶层特模式特征图像和底层模式特征图像；S33、UILTP(8,2)+SRC：将得到的顶层模式特征图像分为3*5相同大小并且相互不重叠的区域，然后对每个区域进行直方图统计，最后将得到的15个59维数据串联得到最终特征信息，将其作为SRC的输入进行SRC分类，并同时记录识别结果和测试图像与三种表情数据之间的残差；S34、LILTP(8,2)+SRC：将得到的底层模式特征图像分为3*5相同大小并且相互不重叠的方块，然后对每个方块进行直方图统计，最后将得到的5个59维数据串联得到最终特征信息，将其作为SRC的输入进行SRC分类，并同时记录识别结果和测试图像与三种表情数据之间的残差；S35、最后，融合步骤S33和步骤S34的分类结果，若UILTP(8,2)+SRC算法和LILTP(8,2)+SRC算法得到相同的识别类别结果，则识别结果保持不变，若这两种算法的识别类别不同，则要分别计算两种算法对应的第二小残差与最小残差的比值，将大比值所对应的算法获得的识别结果作为最终识别结果；S36、输出第S35步的结果。