人脸表情识别的方法和装置制造方法及图纸

本发明专利技术公开了一种人脸表情识别的方法和装置，属于人脸识别领域，所述人脸表情识别的方法包括：使用Gabor滤波器对待识别人脸表情图像进行滤波，得到待识别人脸表情图像的Gabor特征；选取若干个采样点，将采样点的Gabor特征组合成联合特征向量；通过PCA算法使用线性变换矩阵对所述联合特征向量进行降维，得到低维Gabor特征向量；通过SRC算法对所述低维Gabor特征向量进行分类，完成人脸表情识别。与现有技术相比，本发明专利技术的人脸表情识别的方法简单方便，识别准确率高，识别速度快。

【技术实现步骤摘要】

本专利技术涉及人脸识别领域，特别是指一种人脸表情识别的方法和装置。
技术介绍
人脸表情是人类用以表达情感，传递内心世界和态度的重要途经，人们可以运用 表情表达自己的情绪。人们之间的信息传递7%源于词语，38%源于声音，而55%依赖于面 部表情。这表明，面部表情在人们的交际中起着重要的作用。 人脸表情识别就是研究如何使计算机从静态图像或者视频序列中获取人脸表情 并加以辨别的技术。如果计算机可以获取并且理解人脸表情，那么将在很大程度上改变人 与计算机之间的关系，从而达到更好的人机交互效果。另外，人脸表情识别是一个典型的图 像模式分析问题，涉及图像处理、模式识别、机器学习等多个交叉学科。人脸表情识别的深 入研究，可以极大地促进这些学科的发展，通过识别出人的表情，进而可以分析人的精神状 态和心理活动。 人脸表情识别方法主要包括表情特征提取和表情特征分类两个部分。现有的表情 特征提取方法主要有：基于灰度特征分布的方法、基于频率特征提取方法和基于运动特征 的方法等。现有的表情特征分类主要有线性分类器、人工神经网络分类器、支持向量机分类 器和隐马尔科夫模型等。 现有的人脸表情识别方法普遍存在复杂度高，识别准确率低，识别速度慢的缺点。
技术实现思路
本专利技术提供一种人脸表情识别的方法和装置，该方法简单方便，识别准确率高，识 别速度快。 为解决上述技术问题，本专利技术提供技术方案如下： -种人脸表情识别的方法，包括： 使用Gabor滤波器对待识别人脸表情图像进行滤波，得到待识别人脸表情图像的 Gabor特征； 选取若干个采样点，将采样点的Gabor特征组合成联合特征向量； 通过PCA算法使用线性变换矩阵对所述联合特征向量进行降维，得到低维Gabor 特征向量； 通过SRC算法对所述低维Gabor特征向量进行分类，完成人脸表情识别。 -种人脸表情识别的装置，包括： 滤波模块，用于使用Gabor滤波器对待识别人脸表情图像进行滤波，得到待识别 人脸表情图像的Gabor特征； 采样模块，用于选取若干个采样点，将采样点的Gabor特征组合成联合特征向量； 降维模块，用于通过PCA算法使用线性变换矩阵对所述联合特征向量进行降维， 得到低维Gabor特征向量； 分类模块，用于通过SRC算法对所述低维Gabor特征向量进行分类，完成人脸表情 识别。 本专利技术具有以下有益效果： 本专利技术中，首先使用Gabor滤波器对待识别人脸表情图像进行滤波，得到每个像 素点的Gabor特征；然后选取若干个采样点，将其Gabor特征组合成联合特征向量；再通过 PCA算法对联合特征向量进行降维，得到低维Gabor特征向量；最后通过SRC算法对得到的 低维Gabor特征向量进行分类，完成人脸表情识别。 与现有技术相比，本专利技术使用Gabor滤波器提取特征，使用SRC算法进行分类识 另IJ，识别精度高，经测试，在JAFFE数据库上，取得了 97. 68%的识别正确率。 本专利技术仅使用采样点的Gabor特征，剔除了冗余信息，减少了运算量，提高了识别 速度；并且本专利技术通过PCA算法对联合特征向量进行降维，简单方便，进一步减少了运算 量，提高了识别速度。 故本专利技术的人脸表情识别的方法简单方便，识别准确率高，识别速度快。【附图说明】 图1为本专利技术的人脸表情识别的方法流程图； 图2为本专利技术的人脸表情识别的装置示意图； 图3为本专利技术的人脸表情识别的方法的一个实施例的流程图； 图4为本专利技术中经过预处理的人脸表情图像的示例图； 图5为本专利技术中采样点在人脸表情图像上的分布示意图。【具体实施方式】 为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具 体实施例进行详细描述。 -方面，本专利技术提供一种人脸表情识别的方法，如图1所示，包括： 步骤SlOl :使用Gabor滤波器对待识别人脸表情图像进行滤波，得到待识别人脸 表情图像的Gabor特征； 本专利技术选择不同方向，不同尺度的多个Gabor滤波器对图像进行滤波，所谓的尺 度是表示Gabor滤波器的中心频率的物理量，尺度与中心频率成反比。 步骤S102 :选取若干个采样点，将采样点的Gabor特征组合成联合特征向量； Gabor特征维数很高，而相邻像素的Gabor特征相关度较高、信息冗余大，故只需 稀疏的提取部分采样点上的Gabor特征即可，可以在人脸表情图像上均匀的选取若干行和 若干列的采样点，采样点的选取可以根据实际情况（如人脸表情图像的大小、要求达到的 识别精度等）确定。 步骤S103:通过PCA算法使用线性变换矩阵对联合特征向量进行降维，得到低维 Gabor特征向量； 采样后的联合特征列向量仍然是高维特征，则需要通过组合特征来降低维数，利 用PCA (主成分分析）算法对采样后的联合特征列向量进行降维，线性变换矩阵是预先训练 得到的降维矩阵。 步骤S104 :通过SRC算法对低维Gabor特征向量进行分类，完成人脸表情识别；使 用SRC (基于稀疏表示的分类方法）进行分类。 本专利技术中，首先使用Gabor滤波器对待识别人脸表情图像进行滤波，得到每个像 素点的Gabor特征；然后选取若干个采样点，将其Gabor特征组合成联合特征向量；再通过 PCA算法对联合特征向量进行降维，得到低维Gabor特征向量；最后通过SRC算法对得到的 低维Gabor特征向量进行分类，完成人脸表情识别。 与现有技术相比，本专利技术使用Gabor滤波器提取特征，使用SRC算法进行分类识 另Ij，识别准确率高，经测试，在JAFFE数据库上，取得了 97. 68%的识别正确率。 本专利技术仅使用采样点的Gabor特征，剔除了冗余信息，减少了运算量，提高了识别 速度；并且本专利技术通过PCA算法对联合特征向量进行降维，简单方便，进一步减少了运算 量，提高了识别速度。 故本专利技术的人脸表情识别的方法简单方便，识别准确率高，识别速度快。 作为本专利技术的人脸表情识别的方法的一种改进，使用Gabor滤波器对待识别人脸 表情图像进行滤波，得到待识别人脸表情图像的Gabor特征（步骤S101)之前还需要对待 识别人脸表情图像进行预处理，预处理可以包括： 步骤SlOOl :对待识别人脸表情图像进行光照处理和灰度归一化处理； 为减少光照噪声等因素对人脸检测和特征点定位的精度影响，首先对待识别人脸 表情图像进行光照处理和灰度归一化处理，通过直方图均衡化及滤波等图像处理技术提高 图像质量。 步骤S1002 :通过Adaboost算法对光照处理后的人脸表情图像进行检测，定位人 脸的位置； 步骤S1003 :通过主动形状模型算法在人脸上定位特征点，特征点包括眼睛；<当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种人脸表情识别的方法，其特征在于，包括：使用Gabor滤波器对待识别人脸表情图像进行滤波，得到待识别人脸表情图像的Gabor特征；选取若干个采样点，将采样点的Gabor特征组合成联合特征向量；通过PCA算法使用线性变换矩阵对所述联合特征向量进行降维，得到低维Gabor特征向量；通过SRC算法对所述低维Gabor特征向量进行分类，完成人脸表情识别。

【技术特征摘要】

【专利技术属性】
技术研发人员：孔令美，陆小军，张祥德，
申请(专利权)人：北京天诚盛业科技有限公司，
类型：发明
国别省市：北京;11