The invention discloses a facial expression recognition method based on complexity perception classification algorithm. Firstly, a deep convolution neural network based on improved residual blocks is designed to train the pre-processed training data set and extract facial features. Then, the complexity of facial features is evaluated according to the complexity perception classification algorithm. The training data set is divided into easy sample set and difficult sample set. The easy sample classifier and the difficult sample classifier are trained for these two kinds of sub-sample sets respectively. A two-class sample complexity discriminant classifier is trained for these two kinds of sub-sample sets, and the test data set is preprocessed and human beings are trained. After facial feature extraction, the facial features extracted from the test data set are identified by the sample complexity discriminant classifier. According to the complexity of facial features, the test data set is input into the easy sample classifier and the difficult sample classifier respectively to complete the recognition of facial expression categories.
【技术实现步骤摘要】
一种基于复杂度感知分类算法的面部表情识别方法
本专利技术涉及计算机应用中的图像识别领域,具体涉及一种基于复杂度感知分类算法的面部表情识别方法。
技术介绍
面部微表情识别在人机交互和情感计算领域具有极其广泛的研究前景,包括测谎、智能安防、娱乐、互联网教育和智慧医疗等。面部表情常被人类作为表达情绪的一种主要方式,因此表情识别的主要工作是如何自动、可靠、高效地识别人脸表情传达的信息。在表情识别的研究中定义了7种基本的表情类别:惊讶、害怕、厌恶、生气、高兴、伤心、平和,这7种类别通常被作为表情识别的基础标签。大部分面部表情识别工作主要着眼于特征提取和表情识别这两部分。表情识别方法可以分成静态和动态,其中静态分类适用于静态图像,使用的技术主要有SVM、Bayesiannetworkclassifiers、Radomforests和Softmax。动态分类适用于面部视频,考虑了随着时间推移从每帧独立提取的特征作为分类的依据,使用的模型主要有HMM和VSL-CRF。近几年不同传统机器学习的方法被用于表情识别的研究中来提取图像的外观特征,其中包括Gaborfilters、Localbinarypattern(LBP)、Localgaborbinarypattern(LGBP)、HistogramsoforientedGradients(HOG)和Scaleinvariantfeaturetransform(SIFT)。这些传统的方法提取的特征应用在特定的小样本集中往往比较有效,但是很难进行调整识别新的测试人脸图像。这是由于提取到的特征往往属于低层次的特征,从数据中难以提取 ...
【技术保护点】
1.一种基于复杂度感知分类算法的面部表情识别方法,其特征在于,所述方法包括以下步骤:S1、对面部表情图像进行预处理后作为训练数据集;S2、设计基于改进残差块的深度卷积神经网络对训练数据集进行训练,提取出人脸面部特征;S3、根据复杂度感知分类算法,通过评估训练数据集提取的人脸面部特征的复杂度,将训练数据集划分为容易训练样本集和困难训练样本集,并针对这两类子样本集分别进行训练得到容易样本分类器和困难样本分类器;S4、分别对容易训练样本集标记{+}标签和困难训练样本集标记{‑}标签,针对这两类子样本集训练一个二分类的样本复杂度鉴别分类器,用于衡量面部表情图像分类的难易程度;S5、对测试数据集进行步骤S1的预处理和步骤S2的人脸面部特征提取后,通过样本复杂度鉴别分类器对测试数据集提取的人脸面部特征进行复杂度鉴别,根据人脸面部特征的复杂度将测试数据集分别输入容易样本分类器和困难样本分类器完成人脸表情类别的识别。
【技术特征摘要】
1.一种基于复杂度感知分类算法的面部表情识别方法,其特征在于,所述方法包括以下步骤:S1、对面部表情图像进行预处理后作为训练数据集;S2、设计基于改进残差块的深度卷积神经网络对训练数据集进行训练,提取出人脸面部特征;S3、根据复杂度感知分类算法,通过评估训练数据集提取的人脸面部特征的复杂度,将训练数据集划分为容易训练样本集和困难训练样本集,并针对这两类子样本集分别进行训练得到容易样本分类器和困难样本分类器;S4、分别对容易训练样本集标记{+}标签和困难训练样本集标记{-}标签,针对这两类子样本集训练一个二分类的样本复杂度鉴别分类器,用于衡量面部表情图像分类的难易程度;S5、对测试数据集进行步骤S1的预处理和步骤S2的人脸面部特征提取后,通过样本复杂度鉴别分类器对测试数据集提取的人脸面部特征进行复杂度鉴别,根据人脸面部特征的复杂度将测试数据集分别输入容易样本分类器和困难样本分类器完成人脸表情类别的识别。2.根据权利要求1所述的一种基于复杂度感知分类算法的面部表情识别方法,其特征在于:步骤S1中所述对面部表情图像进行预处理具体是指对面部表情图像进行裁剪、白化、归一化预处理,所述每张面部表情图像对应了七种...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。