一种人脸表情识别方法技术

本发明专利技术涉及一种人脸表情识别方法，包括以下步骤：对人脸图片进行预处理；对预处理完的人脸图片做基于uniform LGBP的特征提取，并建立图片特征的显著性；使用遗传算法对图片特征进行第一次特征选取，得到优秀的种群；根据得到的优秀的种群作为每类表情特征的优秀种群的比较值，来建立类内和类间的两个新的目标函数，目标就是最小化类内函数的值和最大化类间函数的值，并使用Pareto优化算法来对其进行优化；进行脸部特征的分类，在选取完最优特征以后，采取随机森林的方法来对特征进行分类。本发明专利技术能够提高在人脸表情识别的精度和速度。

【技术实现步骤摘要】

本专利技术涉及人机交互
，特别是涉及。
技术介绍
人脸表情识别，是采用机器和软件对人脸表情信息进行处理，提取其特征并进行 分类的过程。人脸的表情识别常常被用于人机交互领域。例如，面部表情识别可以提供家庭 服务机器人与人类的直接互动，然后机器人可以通过从人类识别到的信息来执行它们的行 动。 目前的人脸表情识别研究中，主要使用的特征提取方法是经典的"局部Gabor二值 模式(LGBP)"，主要是用Gabor小波对图像做不同方向和尺度变换后的图片，再由LBP提取每 个像素点与周围像素点之间的关系，并对这种关系做成直方图。这种提取方式会得到很高 维数的特征，在后续处理上很花费时间。之后考虑对特征进行提取，在传统的人脸特征提取 模型中，往往只是考虑对所有类别的表情特征维度进行降维，而没有将不同类别表情的差 异性考虑到特征选取中。虽然在一定程度上起到了降维的作用，但最后的分类结果往往并 不理想。
技术实现思路
本专利技术所要解决的技术问题是提供，能够提高在人脸表情 识别的精度和速度。 本专利技术解决其技术问题所采用的技术方案是:提供，包括 以下步骤： (1)对人脸图片进行预处理； (2)对预处理完的人脸图片做基于uniform LGBP的特征提取，并建立图片特征的 显著性； (3)使用遗传算法对图片特征进行第一次特征选取，得到优秀的种群； (4)根据得到的优秀的种群作为每类表情特征的优秀种群的比较值，来建立类内 和类间的两个新的目标函数，目标就是最小化类内函数的值和最大化类间函数的值，并使 用Pareto优化算法来对其进行优化； (5)进行脸部特征的分类，在选取完最优特征以后，采取随机森林的方法来对特征 进行分类。 所述步骤(1)中的预处理包括人脸识别、噪声处理和人脸对齐。 所述步骤(2)中基于uniform LGBP的特征提取具体为:首先对图片进行Gabor滤波 变换，其次对图片中的所有像素使用LBP算子提取直方图作为人脸的特征，即将中心像素值 作为阈值，相邻域内的像素值如果大于该阈值则为1，否则为〇,通过使用这种方法二值化以 后，会得到2 Q个二值模式，再次定义一个均匀模式，即得到的二值化后组成的描述子;如果 存在不超过两次从0到1或1到0的跳变则为均匀模式，否则为非均匀模式;最后通过这样的 定义，将原来的2Q个二值模式降低为Q2-Q+2。 所述步骤(3)具体为:首先随机初始化种群，接着计算每个种群的准确度，根据准 确度分为四类，给出每一类计算种群的适应度函数;最后使用遗传算法来进行优化得到优 秀的种群。 所述适应度函数为4其中，α是 正确分类到其类别的比例，ε，是参数，ar。为脸部特征块的状态，m为脸部特征块的数 量。 所述步骤（4 )中两个目标函数分别为：和，其中，_/，Mi是通过遗传 算法从一类表情中得到的解，NW是解的个数，是通过遗传算法从不同类别中得到的解，Nb 是其对应解的个数，1则代表了不同种类表情的个数，Sk为种群。有益效果 由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效 果:本专利技术使用了比传统LGBP好的特征提取方法uniform LGBP来做特征提取降低了特征的 维数，改进了 GA的适应度评价函数，提出了新的Pareto优化算法的目标函数。本专利技术和传统 方法相比在人脸表情识别的精度和速度上都得到了提尚。【附图说明】 图1是本专利技术的流程图。【具体实施方式】 下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术 而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人 员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定 的范围。 本专利技术的实施方式涉及，如图1所示，包括以下步骤:对人 脸图片进行预处理;对预处理完的人脸图片做基于uniform LGBP的特征提取，并建立图片 特征的显著性;使用遗传算法对图片特征进行第一次特征选取，得到优秀的种群;根据得到 的优秀的种群作为每类表情特征的优秀种群的比较值，来建立类内和类间的两个新的目标 函数，目标就是最小化类内函数的值和最大化类间函数的值，并使用Pareto优化算法来对 其进行优化;进行脸部特征的分类，在选取完最优特征以后，采取随机森林的方法来对特征 进行分类。具体如下：步骤1、给定一组人脸表情的图片，首先进行预处理，其中主要包含人脸识别，噪声 处理和人脸对齐。具体步骤如下： 步骤1.1.1、在人脸识别步骤中，使用了 Haar-like人脸识别。Haar-like特征通过 四种方式来表示人脸:边缘特征，线性特征，中心特征，对角特征。每种形式的特征都包含了 白色和黑色的方块，特征值为白色方块内的所有像素的和减去黑色方块内所有像素的和。 这样四种形式的特征组成一个标准的模板最终用来检测人脸。 步骤1.1.2、使用双边滤波器做噪声处理。众说周知，高斯滤波器在每个采样时间 只考虑像素之间的空间距离而不考虑像素之间的相似程度。因此，高斯滤波器方法往往会 把所要处理的图片弄得一片模糊。不同的是，双边滤波器拥有两个参数，分别由像素的几何 距离和像素的区别来决定。因此，双边滤波器可以有效的保护图片的边缘性同时还能消除 图片的噪声。 步骤1.1.3、因为CK+数据库(在实验中使用的这个数据库)包含了脸部的标记点， 不需要再追踪标记点来描述脸部形状。需要指出的是，在CK+数据库中，标记点的个数是68， 但是本专利技术只需要那些能够描述脸部边界的点。只保留脸部边界以内的像素值，除去背景 图片中那些不需要的信息，这样可以提高图片提取的精度。 步骤2、在这个步骤中，Gabor滤波方法首先被用到图片上来表示脸部图片。然后， 在图片纹理表达方法的选取上，考虑使用uniform LGBP来代替传统的LGBP。最后根据得到 的uniform LGBP，生成脸部显著特征。下面将详细的给出uniform LGBP方法以及基于 uniform LGBP生成脸部显著特征的过程。与LBP相同，通过下面的公式对图片中的每个像素设置一个标签 H (xp,yp) = I(f (xp,yp) > f(xc,yc)) (1) 其中f(xc,yc)是在中心点（xc,yc)的像素值，f(x P，yP)(p = 0，l, . . . ,Q_1)是中心点 (U。)所在位置的周边点的像素值，1(A)为1当A中的值为真时，1(A)为0当A中的值为非真。 现在考虑的形状不再是传统的方形而是换成圆形来考虑。通过以上的步骤的实现，得到2 Q 个二值模式。接下来，定义那些存在不超过两次从〇到1或1到〇的跳变的二值模式为均匀模 式，否则为非均匀模式。根据提出的方法将原来的二值模式的个数降低到Q 2_Q+2。 步骤3、基于uniform LGBP建立脸部显著特征。对于一个给定的ηΧη像素的图片， 首先将它分成mXm个脸部特征块。每个脸部特征块实际上也是一个1X1像素的图片 一)。然后对这个1X1的图片做uniform LGBP特征提取方法。为了能够挑选出显著的脸 m 部特征，需要设置一个阈值〇. 2q，其中q是uni form LGBP中的最大强度值。随后，在1 X 1图片 中的每个像素点的最大强度值和本文档来自技高网...

【技术保护点】
一种人脸表情识别方法，其特征在于，包括以下步骤：(1)对人脸图片进行预处理；(2)对预处理完的人脸图片做基于uniform LGBP的特征提取，并建立图片特征的显著性；(3)使用遗传算法对图片特征进行第一次特征选取，得到优秀的种群；(4)根据得到的优秀的种群作为每类表情特征的优秀种群的比较值，来建立类内和类间的两个新的目标函数，目标就是最小化类内函数的值和最大化类间函数的值，并使用Pareto优化算法来对其进行优化；(5)进行脸部特征的分类，在选取完最优特征以后，采取随机森林的方法来对特征进行分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：王佛伟，沈波，孙韶媛，张似晶，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31