本发明专利技术公开了一种基于拓扑结构的图像表征面部表情特征提取系统和方法，可应用于基于面部图像的模式识别问题。本发明专利技术利用图的拓扑结构描述原始图像空间样本点之间的空间关联性，利用惩罚机制调整样本点之间的关联性，并采用L1范数对基图像的系数进行稀疏性约束，且分解后矩阵中的数据元素均为非负值。同时，采用迭代梯度法求解稀疏性和拓扑结构约束条件下的矩阵分解优化问题，克服了传统迭代优化方法常常收敛到局部最小值的不足。因此，本发明专利技术的图像特征提取方法可以更好的表征面部局部特征，对有遮挡、姿态变化等自然条件下的人脸图像识别效果很好。
【技术实现步骤摘要】
本专利技术属于模式识别领域，涉及一种用于基于面部图像的表情识别的系统和方法，尤其涉及。
技术介绍
表情是人们非语言交流的一种重要方式，包含丰富的情感信息，是情感最主要的载体，是人们理解情感的重要途径。在人类交往中，除了通过自然语言来传递信息外，还可以利用很多其它形体语言如脸部表情、身体动作来进行交流。人脸图像处理属于高维数据分析，直接对原始图像进行分析计算复杂度很高。学界普遍认为存在低维人脸图像空间，可以很好地表征原始的高维人脸图像空间。因此，寻找有效地特征提取方法对于准确识别面部表情是非常重要的。此外，有效的表情特征提取工作将使识别的性能大大提高，并可以简化分类器的设计。常用的提取表情图像特征的方法可分为基于几何特征的方法、基于表观特征的方法和基于混合特征的方法等。基于几何特征的方法用于表征面部区域(包括眼睛，眉毛，鼻子，嘴巴等)的形状和位置，提取出的局部面部区域特征点作为特征向量代表人脸。基于表观的特征表征人脸外貌(皮肤纹理)的变化。基于表观的特征可以从整幅人脸中提取也可以从人脸图像的某个特定区域中提取。几何特征能够简洁的表示出人脸宏观的结构变化，而表观特征则侧重于提取皮肤纹理的细微变化，一些研究者将多种特征结合起来，用混合特征进行表情识别，取得了较好的识别效果。传统的矩阵分解方法得到的分解后矩阵中常包含负数，而负数在很多数据处理问题中没有物理意义。非负矩阵分解算法将表征面部各部分的基图像进行线性组合从而表征整个面部图像，它与主成分分析算法的区别在于非负矩阵分解算法得到的分解后的基图像矩阵和线性系数权重矩阵中的元素都是非负的。Lee和Seung指出非负矩阵分解算法可以得到基于局部面部特征的人脸表示，即分解图像矩阵后得到的基图像可以表征眼睛，鼻子，嘴巴等面部局部特征。但是，非负矩阵分解算法并不能总是得到表征面部局部特征的图像矩阵分解。一些研究指出非负矩阵分解算法在某些人脸库上得到的基图像表征人脸的全局特征。此外，常用的求解NMF分解的算法是Lee和Seung提出的乘法更新方法(multiplicative update method)。NMF优化问题是非凸性优化问题,更新算法在经过多次循环后通常会得到很多局部最小值。常有的误解是局部最小值即为最优值。在优化理论中，局部最小值必须是平稳点，乘法更新方法无法保证平稳性和收敛性。
技术实现思路
为了解决上述问题，本专利技术提供，可应用于表情识别问题。本专利技术的目的是通过如下技术方案实现的。提供一种基于拓扑结构的图像稀疏表征面部表情特征提取系统，包括:预处理单元，对输入的原始图像进行灰度归一化、尺度归一化等预处理，其中该原始图像仅包含人脸面部信息；函数构建单元，用于建立表情图像特征空间目标函数，具体地，利用图像样本的拓扑结构描述原始图像空间样本点之间的关联性，以及分解后的基图像满足系数的稀疏性和非负性，构建约束条件下原始图像矩阵的分解优化问题，计算约束条件下矩阵分解目标函数的不同梯度；特征空间构建单元，采用迭代梯度法求解原始图像矩阵分解后的基图像矩阵及系数矩阵，通过对约束函数的梯度进行迭代更新，得到表征面部稀疏表征模式的特征空间；特征提取单元，通过线性映射将原始图像样本和待测图像样本投影到稀疏特征空间中，从而得到样本特征向量；模式分类单元，根据得到的样本特征向量进行表情模式的分类。还提供了一种基于拓扑结构的图像稀疏表征面部表情特征提取方法，包括:输入包含人脸面部信息的原始图像，首先对原始图像进行灰度归一化、尺度归一化等预处理，其中该原始图像仅包含面部信息；建立表情图像特征空间目标函数，利用图像样本的拓扑结构描述原始图像空间样本点之间的关联性，以及分解后的基图像满足系数的稀疏性和非负性，构建约束条件下原始图像矩阵的分解优化问题，计算约束条件下矩阵分解目标函数的不同梯度；采用迭代梯度法求解原始图像矩阵分解后的基图像矩阵及系数矩阵，通过对约束函数的梯度进行迭代更新，得到表征面部稀疏表征模式的特征空间；通过线性映射将原始图像样本和待测图像样本投影到稀疏特征空间中，从而得到样本特征向量，根据得到的样本特征向量进行表情模式的分类。本专利技术克服了传统非负矩阵分解方法无法表征面部局部特征的不足，利用图像样本点的拓扑结构描述图像样本点之间的空间关联性，并利用惩罚因子调整样本点之间的关联性，保证原始图像空间中相近的样本经过投影后仍保持近邻关系；并利用LI范数对矩阵分解后的基图像系数进行约束，通过平衡稀疏性、非负性、判别性等特点对最小化矩阵分解的目标函数。此外，本专利技术采用迭代梯度法求解目标函数的求解问题，利用目标函数不同阶次的梯度进行分解后矩阵的迭代，克服乘法更新法常收敛到局部最小值的不足，确保分解结果的平稳性和收敛性。因此，本专利技术的图像特征提取方法可以更好的表征面部局部特征，对有遮挡、姿态变化等自然条件下的人脸表情图像识别效果很好。【附图说明】图1为本专利技术的自动表情识别系统的流程图；图2为利用本专利技术的计算方法对人脸表情图像进行特征提取的流程图；图3为不同算法在表情图像上得到的正确识别率比较示意图。【具体实施方式】下面结合附图和【具体实施方式】对本专利技术作进一步描述。根据技术方案，我们可以将本专利技术应用于面部表情自动识别系统中，对人脸表情图像进行特征提取及情感模式判定。如图1所示，本专利技术实施例提供的基于拓扑结构的图像稀疏表征面部表情特征提取系统主要包括以下几个部分:图像输入单元、预处理单元、函数构建单元、特征空间构建单元、特征提取单元以及模式分类单元。预处理单元对输入的原始图像进行灰度归一化、尺度归一化等预处理；函数构建单元用于建立表情图像特征空间目标函数，具体地，利用图像样本的拓扑结构描述原始图像空间样本点之间的关联性，以及分解后的基图像满足系数的稀疏性和非负性，构建约束条件下原始图像矩阵的分解优化问题，计算约束条件下矩阵分解目标函数的不同梯度；特征空间构建单元采用迭代梯度法求解原始图像矩阵分解后的基图像矩阵及系数矩阵，通过对约束函数的梯度进行迭代更新，得到表征面部稀疏表征模式的特征空间；特征提取单元通过线性映射将原始图像样本和待测图像样本投影到稀疏特征空间中，从而得到样本特征向量；模式分类单元根据得到的样本特征向量进行表情模式的分类。下面结合附图1和附图2，具体说明利用本专利技术的计算方法对人脸表情图像进行特征提取的步骤。一、原始图像矩阵预处理输入包含人脸面部信息的原始图像，该原始图像仅包含面部信息。对原始图像样本进行预处理，进行灰度、尺度归一化，并消除光照、仿射变换等影响因素的干扰。此外，为了消除常数向量对矩阵分解的影响，需在进行分负矩阵分解之前从原始图像矩阵中减去常数向量。首先对原始图像进行尺度归一化，可使用灰度仿射方法将样本图像统一成一定尺寸(如120X120)大小，且对两眼中心和嘴巴中心坐标进行归一化。具体方法如下:(I)在原始样本图像上手工标定三点，两眼中心及嘴巴中心的位置分别记为(X1, Y1) (X2, Y2) (X3, Y3).(2)计算变换后的坐标位置计算缩放系数:Sx = Wff0, Sy = HH0其中:W。=X2-X1, H0 = Y3- (VY1) /2。计算旋转校正参数:[本文档来自技高网...
【技术保护点】
一种基于拓扑结构的图像稀疏表征面部表情特征提取系统，其特征在于包括： 预处理单元，对输入的原始图像进行灰度归一化、尺度归一化等预处理，其中该原始图像仅包含人脸面部信息； 函数构建单元，用于建立表情图像特征空间目标函数，具体地，利用图像样本的拓扑结构描述原始图像空间样本点之间的关联性，以及分解后的基图像满足系数的稀疏性和非负性，构建约束条件下原始图像矩阵的分解优化问题，计算约束条件下矩阵分解目标函数的不同梯度； 特征空间构建单元，采用迭代梯度法求解原始图像矩阵分解后的基图像矩阵及系数矩阵，通过对约束函数的梯度进行迭代更新，得到表征面部稀疏表征模式的特征空间； 特征提取单元，通过线性映射将原始图像样本和待测图像样本投影到稀疏特征空间中，从而得到样本特征向量； 模式分类单元，根据得到的样本特征向量进行表情模式的分类。
【技术特征摘要】
1.一种基于拓扑结构的图像稀疏表征面部表情特征提取系统，其特征在于包括: 预处理单元，对输入的原始图像进行灰度归一化、尺度归一化等预处理，其中该原始图像仅包含人脸面部信息； 函数构建单元，用于建立表情图像特征空间目标函数，具体地，利用图像样本的拓扑结构描述原始图像空间样本点之间的关联性，以及分解后的基图像满足系数的稀疏性和非负性，构建约束条件下原始图像矩阵的分解优化问题，计算约束条件下矩阵分解目标函数的不同梯度； 特征空间构建单元，采用迭代梯度法求解原始图像矩阵分解后的基图像矩阵及系数矩阵，通过对约束函数的梯度进行迭代更新，得到表征面部稀疏表征模式的特征空间； 特征提取单元，通过线性映射将原始图像样本和待测图像样本投影到稀疏特征空间中，从而得到样本特征向量； 模式分类单元，根据得到的样本特征向量进行表情模式的分类。2.根据权利要求1所述的系统，其特征在于所述函数构建单元利用图像样本的拓扑结构描述原始图像空间样本点之间的关联性具体包括:以图像样本间的拓扑结构描述原始图像空间样本点之间的空间距离，并利用惩罚因子调整样本点之间的关联性，即通过 3.根据权利要求1所述的系统，其特征在于所述函数构建单元采用LI范数对矩阵分解后的基图像系数进行稀疏性约束，以LI范数近似代替LO范数对矩阵稀疏性的表示，矩阵的LI范数为I |W| I1 =E1Jw1J,通过最小化LI范数确保提取的特征空间可以表征面部局部区域的典型特征。4.根据权利要求1所述的系统，其特征在于所述特征空间构建单元采用迭代投影法求解稀疏性和拓扑结构约束下的矩阵分解问题；利用迭代准则...
【专利技术属性】
技术研发人员：支瑞聪，赵镭，史波林，汪厚银，
申请(专利权)人：中国标准化研究院，
类型：发明
国别省市：北京;11
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。