一種人臉表情識別方法技術

本發明專利技術涉及一種人臉表情識別方法，包括以下步驟：對人臉圖片進行預處理；對預處理完的人臉圖片做基于uniform?LGBP的特征提取，并建立圖片特征的顯著性；使用遺傳算法對圖片特征進行第一次特征選取，得到優秀的種群；根據得到的優秀的種群作為每類表情特征的優秀種群的比較值，來建立類內和類間的兩個新的目標函數，目標就是最小化類內函數的值和最大化類間函數的值，并使用Pareto優化算法來對其進行優化；進行臉部特征的分類，在選取完最優特征以后，采取隨機森林的方法來對特征進行分類。本發明專利技術能夠提高在人臉表情識別的精度和速度。

【技術實現步驟摘要】

本專利技術涉及人機交互
，特別是涉及。
技術介紹
人臉表情識別，是采用機器和軟件對人臉表情信息進行處理，提取其特征并進行 分類的過程。人臉的表情識別常常被用于人機交互領域。例如，面部表情識別可以提供家庭 服務機器人與人類的直接互動，然后機器人可以通過從人類識別到的信息來執行它們的行 動。 目前的人臉表情識別研究中，主要使用的特征提取方法是經典的"局部Gabor二值 模式(LGBP)"，主要是用Gabor小波對圖像做不同方向和尺度變換后的圖片，再由LBP提取每 個像素點與周圍像素點之間的關系，并對這種關系做成直方圖。這種提取方式會得到很高 維數的特征，在后續處理上很花費時間。之后考慮對特征進行提取，在傳統的人臉特征提取 模型中，往往只是考慮對所有類別的表情特征維度進行降維，而沒有將不同類別表情的差 異性考慮到特征選取中。雖然在一定程度上起到了降維的作用，但最后的分類結果往往并 不理想。
技術實現思路
本專利技術所要解決的技術問題是提供，能夠提高在人臉表情 識別的精度和速度。 本專利技術解決其技術問題所采用的技術方案是:提供，包括 以下步驟： (1)對人臉圖片進行預處理； (2)對預處理完的人臉圖片做基于uniform LGBP的特征提取，并建立圖片特征的 顯著性； (3)使用遺傳算法對圖片特征進行第一次特征選取，得到優秀的種群； (4)根據得到的優秀的種群作為每類表情特征的優秀種群的比較值，來建立類內 和類間的兩個新的目標函數，目標就是最小化類內函數的值和最大化類間函數的值，并使 用Pareto優化算法來對其進行優化； (5)進行臉部特征的分類，在選取完最優特征以后，采取隨機森林的方法來對特征 進行分類。 所述步驟(1)中的預處理包括人臉識別、噪聲處理和人臉對齊。 所述步驟(2)中基于uniform LGBP的特征提取具體為:首先對圖片進行Gabor濾波 變換，其次對圖片中的所有像素使用LBP算子提取直方圖作為人臉的特征，即將中心像素值 作為閾值，相鄰域內的像素值如果大于該閾值則為1，否則為〇,通過使用這種方法二值化以 后，會得到2 Q個二值模式，再次定義一個均勻模式，即得到的二值化后組成的描述子;如果 存在不超過兩次從0到1或1到0的跳變則為均勻模式，否則為非均勻模式;最后通過這樣的 定義，將原來的2Q個二值模式降低為Q2-Q+2。 所述步驟(3)具體為:首先隨機初始化種群，接著計算每個種群的準確度，根據準 確度分為四類，給出每一類計算種群的適應度函數;最后使用遺傳算法來進行優化得到優 秀的種群。 所述適應度函數為4其中，α是 正確分類到其類別的比例，ε，是參數，ar。為臉部特征塊的狀態，m為臉部特征塊的數 量。 所述步驟（4 )中兩個目標函數分別為：和，其中，_/，Mi是通過遺傳 算法從一類表情中得到的解，NW是解的個數，是通過遺傳算法從不同類別中得到的解，Nb 是其對應解的個數，1則代表了不同種類表情的個數，Sk為種群。有益效果 由于采用了上述的技術方案，本專利技術與現有技術相比，具有以下的優點和積極效 果:本專利技術使用了比傳統LGBP好的特征提取方法uniform LGBP來做特征提取降低了特征的 維數，改進了 GA的適應度評價函數，提出了新的Pareto優化算法的目標函數。本專利技術和傳統 方法相比在人臉表情識別的精度和速度上都得到了提尚?！靖綀D說明】 圖1是本專利技術的流程圖。【具體實施方式】 下面結合具體實施例，進一步闡述本專利技術。應理解，這些實施例僅用于說明本專利技術 而不用于限制本專利技術的范圍。此外應理解，在閱讀了本專利技術講授的內容之后，本領域技術人 員可以對本專利技術作各種改動或修改，這些等價形式同樣落于本申請所附權利要求書所限定 的范圍。 本專利技術的實施方式涉及，如圖1所示，包括以下步驟:對人 臉圖片進行預處理;對預處理完的人臉圖片做基于uniform LGBP的特征提取，并建立圖片 特征的顯著性;使用遺傳算法對圖片特征進行第一次特征選取，得到優秀的種群;根據得到 的優秀的種群作為每類表情特征的優秀種群的比較值，來建立類內和類間的兩個新的目標 函數，目標就是最小化類內函數的值和最大化類間函數的值，并使用Pareto優化算法來對 其進行優化;進行臉部特征的分類，在選取完最優特征以后，采取隨機森林的方法來對特征 進行分類。具體如下：步驟1、給定一組人臉表情的圖片，首先進行預處理，其中主要包含人臉識別，噪聲 處理和人臉對齊。具體步驟如下： 步驟1.1.1、在人臉識別步驟中，使用了 Haar-like人臉識別。Haar-like特征通過 四種方式來表示人臉:邊緣特征，線性特征，中心特征，對角特征。每種形式的特征都包含了 白色和黑色的方塊，特征值為白色方塊內的所有像素的和減去黑色方塊內所有像素的和。 這樣四種形式的特征組成一個標準的模板最終用來檢測人臉。 步驟1.1.2、使用雙邊濾波器做噪聲處理。眾說周知，高斯濾波器在每個采樣時間 只考慮像素之間的空間距離而不考慮像素之間的相似程度。因此，高斯濾波器方法往往會 把所要處理的圖片弄得一片模糊。不同的是，雙邊濾波器擁有兩個參數，分別由像素的幾何 距離和像素的區別來決定。因此，雙邊濾波器可以有效的保護圖片的邊緣性同時還能消除 圖片的噪聲。 步驟1.1.3、因為CK+數據庫(在實驗中使用的這個數據庫)包含了臉部的標記點， 不需要再追蹤標記點來描述臉部形狀。需要指出的是，在CK+數據庫中，標記點的個數是68， 但是本專利技術只需要那些能夠描述臉部邊界的點。只保留臉部邊界以內的像素值，除去背景 圖片中那些不需要的信息，這樣可以提高圖片提取的精度。 步驟2、在這個步驟中，Gabor濾波方法首先被用到圖片上來表示臉部圖片。然后， 在圖片紋理表達方法的選取上，考慮使用uniform LGBP來代替傳統的LGBP。最后根據得到 的uniform LGBP，生成臉部顯著特征。下面將詳細的給出uniform LGBP方法以及基于 uniform LGBP生成臉部顯著特征的過程。與LBP相同，通過下面的公式對圖片中的每個像素設置一個標簽 H (xp,yp) = I(f (xp,yp) > f(xc,yc)) (1) 其中f(xc,yc)是在中心點（xc,yc)的像素值，f(x P，yP)(p = 0，l, . . . ,Q_1)是中心點 (U。)所在位置的周邊點的像素值，1(A)為1當A中的值為真時，1(A)為0當A中的值為非真。 現在考慮的形狀不再是傳統的方形而是換成圓形來考慮。通過以上的步驟的實現，得到2 Q 個二值模式。接下來，定義那些存在不超過兩次從〇到1或1到〇的跳變的二值模式為均勻模 式，否則為非均勻模式。根據提出的方法將原來的二值模式的個數降低到Q 2_Q+2。 步驟3、基于uniform LGBP建立臉部顯著特征。對于一個給定的ηΧη像素的圖片， 首先將它分成mXm個臉部特征塊。每個臉部特征塊實際上也是一個1X1像素的圖片 一)。然后對這個1X1的圖片做uniform LGBP特征提取方法。為了能夠挑選出顯著的臉 m 部特征，需要設置一個閾值〇. 2q，其中q是uni form LGBP中的最大強度值。隨后，在1 X 1圖片 中的每個像素點的最大強度值和本文檔來自技高網...

【技術保護點】
一種人臉表情識別方法，其特征在于，包括以下步驟：(1)對人臉圖片進行預處理；(2)對預處理完的人臉圖片做基于uniform?LGBP的特征提取，并建立圖片特征的顯著性；(3)使用遺傳算法對圖片特征進行第一次特征選取，得到優秀的種群；(4)根據得到的優秀的種群作為每類表情特征的優秀種群的比較值，來建立類內和類間的兩個新的目標函數，目標就是最小化類內函數的值和最大化類間函數的值，并使用Pareto優化算法來對其進行優化；(5)進行臉部特征的分類，在選取完最優特征以后，采取隨機森林的方法來對特征進行分類。

【技術特征摘要】

【專利技術屬性】
技術研發人員：王佛偉，沈波，孫韶媛，張似晶，
申請(專利權)人：東華大學，
類型：發明
國別省市：上海;31