【技术实现步骤摘要】
本专利技术属于情感识别领域，具体涉及一种基于PCANet-CNN的任意姿态人脸表情识别方法及系统
技术介绍
人脸表情识别是模式识别、人机交互和计算机视觉等领域涉及的重要研究方向，目前已成为国内外的研究热点。一般来说人类最常见的六种基本表情为高兴、悲伤、愤怒、惊讶、厌恶与恐惧。近年来，随着各种对姿态具有鲁棒性的特征的不断提出，促进了多姿态自动人脸表情识别技术的发展。比如传统的人脸识别模型只能基于正脸或者接近正脸的图片进行表情识别，而对侧脸或者有一定角度的人脸表情识别效果非常差。接着有研究者提出针对不同姿态的人脸图片训练不同的表情识别模型。然而自然环境下姿态的变化是非线性的。即使将其设定为固定的几种姿态，随着姿态的不断增多，模型的训练也是非常耗时的。这就促使了是否可以通过寻找对姿态具有鲁棒性的特征来进行任意姿态的人脸表情识别，从而在提高效率的同时得到更好的表情识别结果。(1)在S.Eleftheriadis等人，名为“DiscriminativeSharedGau...
【技术保护点】
一种基于PCANet‑CNN的任意姿态人脸表情识别方法，其特征在于，包括如下步骤：S1，对样本图片预处理得到统一像素的灰度图像，然后将统一像素的灰度图像分为正脸图像和侧脸图像，对所得的正脸图像提取尺寸为k1×k2大小的特征块；对所得到的侧脸图像提取尺寸为k1×k2大小的特征块；S2，将步骤S1中的正脸图像作为无监督特征学习PCANet的输入进行无监督正脸特征学习，得到正脸特征；S3，将步骤S1中的侧脸图像作为有监督特征学习CNN的输入，并结合步骤S2的正脸特征，通过有监督学习CNN的处理建立侧脸特征和正脸特征之间的映射关系；S4，利用步骤S3的映射关系得到对任意姿态具有鲁棒...
【技术特征摘要】 【专利技术属性】
1.一种基于PCANet-CNN的任意姿态人脸表情识别方法，其特征在于，包括如下步
骤：
S1，对样本图片预处理得到统一像素的灰度图像，然后将统一像素的灰度图像分为正
脸图像和侧脸图像，对所得的正脸图像提取尺寸为k1×k2大小的特征块；对所得到的侧脸图
像提取尺寸为k1×k2大小的特征块；
S2，将步骤S1中的正脸图像作为无监督特征学习PCANet的输入进行无监督正脸特征
学习，得到正脸特征；
S3，将步骤S1中的侧脸图像作为有监督特征学习CNN的输入，并结合步骤S2的正
脸特征，通过有监督学习CNN的处理建立侧脸特征和正脸特征之间的映射关系；
S4，利用步骤S3的映射关系得到对任意姿态具有鲁棒性的统一正脸特征；
S5，将步骤S4所得的对姿态具有鲁棒性的统一正脸特征送入支持向量机SVM中进行
识别模型的训练，得到一个针对任意姿态的统一识别模型；
S6，利用步骤S3所述的映射关系以及步骤S5所述的统一识别模型识别出任意姿态人
脸图像所属的人脸表情类别。
2.根据权利要求1所述的一种基于PCANet-CNN的任意姿态人脸表情识别方法，其
特征在于，所述步骤S1中预处理的过程包括：通过一个级联的VJ框架检测样本图片中的
人脸，再通过二值化对检测到的人脸图片进行灰度处理得到灰度图像，然后对所得灰度图
像进行大小归一化得到统一像素的灰度图像。
3.根据权利要求1所述的一种基于PCANet-CNN的任意姿态人脸表情识别方法，其
特征在于，所述步骤S1中统一像素的灰度图像大小设为96*96，正脸图像和侧脸图像的特
征块大小设置为5*5。
4.根据权利要求1所述的一种基于PCANet-CNN的任意姿态人脸表情识别方法，其
特征在于，所述步骤S2中无监督特征学习的过程包括：
步骤S2-1，对正脸图像进行白化处理；
步骤S2-2，通过预训练得到不同尺寸的卷积核，再用所得卷积核对正脸图像进行卷积，
得到PCANet第一层的输出；
步骤S2-3，将PCANet第一层的输出作为PCANet第二层的输入，经过与第一层相同
的卷积过程得到PCANet第二层的输出；
步骤S2-4，对PCANet第二层的输出进行二值哈希处理以及直方图分块处理，最终将
技术研发人员：毛启容，张飞飞，于永斌，詹永照，许国朋，屈兴，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32
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。