一种基于核LDA的并行特征融合人脸表情识别方法技术

本发明专利技术涉及一种基于核LDA的并行特征融合人脸表情识别方法，通过将两组经过不同表达的特征向量采用复数的组合形式并行融合，构成复特征向量，并将核Fisher鉴别准则引入复空间，从而在复空间的基础上解决传统LDA只能分析线性问题的缺陷，同时对类内散度矩阵重定义，通过可调控的参数来解决小样本问题和特征矩阵不平衡问题。本发明专利技术的方法比传统并行特征融合方法和串行特征融合方法有不同程度上的改进，不仅解决了传统LDA在人脸表情识别等领域对非线性特征无法处理的问题，方法同时在一定程度上解决了小样本问题，在人脸表情特征库的数据库上的实验取得了较高的识别率。

【技术实现步骤摘要】

本专利技术属于数据识别；数据表示；记录载体；记录载体的处理的
，特别涉及一种通过可调控的参数来解决小样本问题和特征矩阵不平衡问题以提高人脸识别率的基于核LDA的并行特征融合人脸表情识别方法。
技术介绍
特征提取是表情识别中最关键的环节之一，提取具有鉴别意义的特征对准确分类人脸表情，解决实际问题起着重要作用，特征提取越到位，则表情识别越精确。表情识别的技术可以应用到各行各业，例如应用到公安刑侦领域，可以辅助对目标对象的微表情判断做出更为可靠的数据支撑。随着相关研究的不断深入，特征融合技术逐渐受到了业内的关注。特征融合技术既融合多种特征的有效鉴别信息，又消除大部分冗余的信息，从而实现信息的有效压缩、节约信息存储空间、有利于加快运算速度和进行信息的实时处理。目前常用的特征融合方法主要是串行融合方法。串行融合方法首先将两组或多组特征向量按照首尾相连的方式生成一个联合向量，然后再对这个新的特征向量进行特征提取，该方法保留了多种特征的鉴别信息，具有一定的优势，但同时会导致合并后新特征的维数急剧增加，从而加大后续步骤如特征抽取和识别的难度，使甄别速度和准确率大幅降低。由此，研究人员对传统的串行融合方法进行大量的改进研究，其中，杨健等研究提出了一种并行特征融合的方法，该方法的原理是利用复向量将样本空间上的两组或多组特征集合起来构成复特征向量空间，即将实向量空间的特征拓展到复向量空间。并行特征融合的方法用线性鉴别准则(LDA)来抽取有效鉴别特征，LDA是目前常用的特征提取方法之一，但由于其本质上提取的是线性特征，对非线性特征处理存在不足。因此，相关研究人员提出了基于核的LDA方法，即基于核判别分析方法(KDA)，该方法通过将样本映射到一个高维空间，在该高维空间利用Fisher方法提取鉴别特征，得到原图像的非线性特征，实践证明核判别方法对解决非线性问题具有显著优势，然而实践亦表明，在使用KDA过程中核空间的维数往往大于训练样本的数目，即小样本问题，对小样本的改进方法很多，如对Fisher准则局部加权、重新定义类间散度矩阵、用零空间解决小样本问题等，甚至，基于并行特征融合的特征方法由于使用的是Fisher鉴别准则，因此不但存在小样本问题，同时还存在融合特征矩阵不平衡的问题，使类内散度矩阵不但受小样本问题影响而丢失类内散射信息，还会因特征矩阵不平衡而产生偏差和较大方差，影响实验效果。
技术实现思路
本专利技术解决的技术问题是，现有技术中，串行融合方法虽保留了多种特征的鉴别信息，具有一定的优势，但同时会导致合并后新特征的维数急剧增加，从而加大后续步骤如特征抽取和识别的难度，使甄别速度和准确率大幅降低，而采用并行特征融合方法用线性鉴别准则(LDA)来抽取有效鉴别特征的过程中，核空间的维数往往大于训练样本的数目，即小样本问题，甚至，由于此方法使用的是Fisher鉴别准则，故还同时存在融合特征矩阵不平衡的问题，使类内散度矩阵不但受小样本问题影响而丢失类内散射信息，还会因特征矩阵不平衡而产生偏差和较大方差，严重影响实验效果的问题，进而提供了一种优化的基于核LDA的并行特征融合人脸表情识别方法。本专利技术所采用的技术方案是，一种基于核LDA的并行特征融合人脸表情识别方法，所述方法包括以下步骤：步骤1.1：从任一人脸表情特征库中采用Gabor滤波器提取人脸特征，得到若干个方向上的全局特征向量β；采用PCA算法对人脸的局部特征进行提取，得到局部特征向量α，将α和β通过并行特征信息融合，得到矩阵X；步骤1.2：在进行特征融合时，当同一样本的两组特征向量在数量关系上存在较大差别时，通过对类内离散矩阵Sω重新定义来解决小样本问题，即Sω=1cΣi=1cSi]]>其中，Si＝Si+kI，k为控制参数，0≤k≤1，Si是单个样本类的协方差矩阵；控制k的值以增加Sω的小特征向量值、减小大特征向量值，使得Sω的偏差最小；步骤1.3：将矩阵X经过非线性映射Φ变换到特征空间F中，即Φ:xi∈X→Φ(xi)∈F；在特征空间F中，线性Fisher鉴别函数为其中，ω∈F，且和分别为特征空间F中对应的类内散布矩阵和类间散布矩阵，表示在特征空间F中的第i个类别中的样本均值，表示在特征空间F中的所有样本的均值；步骤1.4：将式(II)和式(III)引入复空间，得到复空间的类间散度矩阵和类内散度矩阵其中，P(ωi)为第i类训练样本的先验概率；步骤1.5：由再生核理论，解向量ω在特征空间F中可以按所有训练样本数据展开，其中，核鉴别矢量ζ＝(ζ1,ζ2,…,ζn)T，Φ＝(Φ(x1),Φ(x2),…,Φ(xn))，ζ为Φ中鉴别向量ω的最佳核鉴别向量；步骤1.6：将式(IV)、式(V)和式(VI)代入式(I)后，经过矩阵变换，得到其中，K(·,·)为内积核函数，μ0＝E[Φ(x1)HΦ(xk),...,Φ(xn)HΦ(xk)|ωi]H，k＝1,2,…,n；P为核类间散度矩阵，Q为核类内散度矩阵；步骤1.7：将式(VII)和式(VIII)代入式(I)后，得到特征空间F中的线性Fisher鉴别函数为步骤1.8：由式(VIII)和从而步骤1.9：求当ζ何值时J(ζ)取得最大值，对采用Lagrange算法求解，得到Pζ＝λQ'ζ，求得一组基特征向量，得到最佳投影方向ζ，即当取最佳投影方向ζ时，J(ζ)取得最大值；步骤1.10：利用最佳投影方向ζ将矩阵X投影到相应的特征空间，得到所有样本的最佳分类特征Y：yi＝ζHxi，yi∈Y；步骤1.11：以yi为特征值识别任一人脸表情特征库的人脸。优选地，所述步骤1.1中，采用PCA提取的人脸的局部特征包括嘴部特征、眼部特征、鼻部特征。优选地，所述步骤1.1中，X＝α+iβ或X＝β+iα。优选地，所述步骤1.1中，全局特征向量β一般为4～8个方向上的向量。优选地，所述步骤1.2中，增大控制参数k以控制k的值以增加Sω的小特征值、减小大特征值，使得Sω的偏差最小。本专利技术提供了一种优化的基于核LDA的并行特征融合人脸表情识别方法，通过将两组经过不同表达的特征向量采用复数的组合形式并行融合，构成复特征向量，并将核Fisher鉴别准则引入复空间，从而在复空间的基础上解决传统LDA只能分析线性问题的缺陷，同时对类内散度矩阵重定义，通过可调控的参数k来解决小样本问题和特征矩阵不平衡问题。本专利技术的方法比传统并行特征融合方法和串行特征融合方法有不同程度上的改进，不仅解决了传统LDA在人脸表情识别等领域对非线性特征无法处理的问题，方法同时在一定程度上解决了小样本问题，在人脸表情特征库的数据库上的实验取得了较高的识别率。附图说明图1为本专利技术在JAFFE数据库下选择不同k时的分类识别精度；图2为本专利技术在Yale数据库下选择不同k时的分类识别精度。具体实施方式下面结合实施例对本专利技术做进一步的详细描述，但本专利技术的保护范围并不限于此。本专利技术涉及一种基于核LDA的并行特征融合人脸表情识别方法，所述方法包括以下步骤：步骤1.1：从任一人脸表情特征库中采用Gabor滤波器提取人脸特征，得到若干个方向上的全局特征向量β；采用PCA算法对人脸的局部特征进行提取，得到局部特征向量α，将α和β通过并行特征信息融合，得到矩阵X；步骤1.2：在进行特征融合时，当同本文档来自技高网...

【技术保护点】
一种基于核LDA的并行特征融合人脸表情识别方法，其特征在于：所述方法包括以下步骤：步骤1.1：从任一人脸表情特征库中采用Gabor滤波器提取人脸特征，得到若干个方向上的全局特征向量β；采用PCA算法对人脸的局部特征进行提取，得到局部特征向量α，将α和β通过并行特征信息融合，得到矩阵X；步骤1.2：在进行特征融合时，当同一样本的两组特征向量在数量关系上存在较大差别时，通过对类内离散矩阵Sω重新定义来解决小样本问题，即Sω=1cΣi=1cSi]]>其中，Si＝Si+kI，k为控制参数，0≤k≤1，Si是单个样本类的协方差矩阵；控制k的值以增加Sω的小特征向量值、减小大特征向量值，使得Sω的偏差最小；步骤1.3：将矩阵X经过非线性映射Φ变换到特征空间F中，即Φ:xi∈X→Φ(xi)∈F；在特征空间F中，线性Fisher鉴别函数为其中，ω∈F，且和分别为特征空间F中对应的类内散布矩阵和类间散布矩阵，表示在特征空间F中的第i个类别中的样本均值，表示在特征空间F中的所有样本的均值；步骤1.4：将式(II)和式(III)引入复空间，得到复空间的类间散度矩阵和类内散度矩阵其中，P(ωi)为第i类训练样本的先验概率；步骤1.5：由再生核理论，解向量ω在特征空间F中可以按所有训练样本数据展开，其中，核鉴别矢量ζ＝(ζ1,ζ2,…,ζn)T，Φ＝(Φ(x1),Φ(x2),…,Φ(xn))，ζ为Φ中鉴别向量ω的最佳核鉴别向量；步骤1.6：将式(IV)、式(V)和式(VI)代入式(I)后，经过矩阵变换，得到其中，Q=Σi=1cΣj=1niP(ωi)E{(ηxij-μi)(ηxij-μi)H|ωi},ηxij=(K(x1,xij),...,K(xn,xij))H,]]>K(·,·)为内积核函数，μ0＝E[Φ(x1)HΦ(xk),...,Φ(xn)HΦ(xk)|ωi]H，k＝1,2,…,n；P为核类间散度矩阵，Q为核类内散度矩阵；步骤1.7：将式(VII)和式(VIII)代入式(I)后，得到特征空间F中的线性Fisher鉴别函数为步骤1.8：由式(VIII)和从而步骤1.9：求当ζ何值时J(ζ)取得最大值，对采用Lagrange算法求解，得到Pζ＝λQ'ζ，求得一组基特征向量，得到最佳投影方向ζ，即当取最佳投影方向ζ时，J(ζ)取得最大值；步骤1.10：利用最佳投影方向ζ将矩阵X投影到相应的特征空间，得到所有样本的最佳分类特征Y：yi＝ζHxi，yi∈Y；步骤1.11：以yi为特征值识别任一人脸表情特征库的人脸。...

【技术特征摘要】
1.一种基于核LDA的并行特征融合人脸表情识别方法，其特征在于：所述方法包括以下步骤：步骤1.1：从任一人脸表情特征库中采用Gabor滤波器提取人脸特征，得到若干个方向上的全局特征向量β；采用PCA算法对人脸的局部特征进行提取，得到局部特征向量α，将α和β通过并行特征信息融合，得到矩阵X；步骤1.2：在进行特征融合时，当同一样本的两组特征向量在数量关系上存在较大差别时，通过对类内离散矩阵Sω重新定义来解决小样本问题，即Sω=1cΣi=1cSi]]>其中，Si＝Si+kI，k为控制参数，0≤k≤1，Si是单个样本类的协方差矩阵；控制k的值以增加Sω的小特征向量值、减小大特征向量值，使得Sω的偏差最小；步骤1.3：将矩阵X经过非线性映射Φ变换到特征空间F中，即Φ:xi∈X→Φ(xi)∈F；在特征空间F中，线性Fishe...

【专利技术属性】
技术研发人员：李文书，
申请(专利权)人：杭州农鑫科技有限公司，
类型：发明
国别省市：浙江;33