基于LBP与LDA的人脸表情识别方法技术

本发明专利技术提出一种基于LBP与LDA的人脸表情识别方法，包括1、利用Adaboost算法进行人脸检测，在检测到人脸的图像上进行定位人脸位置；2、将定位的人脸图像进行LBP特征提取；3利用LDA算法把提取出的特征进行降维；4、将JAFFE图片数据库降维后的特征作为KNN最近邻分类算法的分类样本特征，然后对待检测图像进行特征提取，降维，再用KNN进行表情分类，实现人脸表情识别。本发明专利技术的有益效果是：降低光照变化对人脸表情识别的影响；图像数据降维，大大减少了计算量，提高了识别效率。

Facial expression recognition method based on LBP and LDA

The invention provides a method of facial expression recognition based on LBP and LDA, including the 1, using the Adaboost algorithm for face detection, the detected face image to locate the face position; 2, the LBP feature extraction of face image positioning; 3 using LDA algorithm to reduce the dimension of feature extraction, 4; the JAFFE image database of low dimensional features as the classification feature KNN nearest neighbor classification algorithm, and then treat the detection of image feature extraction, dimensionality reduction, then KNN expression classification, realization of facial expression recognition. The invention has the advantages that the influence of illumination change on the facial expression recognition is reduced; the dimension reduction of the image data greatly reduces the amount of calculation and improves the recognition efficiency.

【技术实现步骤摘要】
基于LBP与LDA的人脸表情识别方法
基于LBP与LDA的人脸表情识别方法属于计算机视觉、模式识别、人工智能等领域。
技术介绍
随着信息化时代的到来，计算机已经悄然改变了人们的生活方式，在频繁使用计算机的过程中，人们越来越期待更加友好的人机交互体验。人脸面部表情，作为人类生物特征的一部分，体现了人们内心复杂微妙的情感变化，传递着大量的情感信息。人脸表情识别的研究对提高人们生活品质以及提供人们方便快捷的生活方式都有极其重要的作用和意义。经过四十多年来众多研究人员和机构的努力，人脸表情识别形成了一套相对完整的流程，如图1所示。人脸表情识别主要可以分为：人脸检测、表情特征提取、表情分类。人脸表情也有了比较统一的分类，如图2所示，人脸表情被分为7类，即快乐、生气、厌恶、害怕、伤心、惊讶、中性。人脸表情识别研究取得了很大的进步，也获得了丰硕的果实，公开号为CN102945361B的中国专利公开了一种基于特征点矢量与纹理形变能量参数的人脸表情识别方法，该方法考虑不同个体之间的差异，解决了个性信息，小范围头部姿势等因素对人脸表情识别的影响，但是也遇到了很多研究难点，光照变化、遮挡、姿势变化，以及图像数据维度过高，计算量大等难题。
技术实现思路
针对上述的难题，本专利技术提出一种新颖的研究方法，即基于LBP与LDA的人脸表情识别方法。目的是降低光照变化对表情识别准确率的影响，降低图像数据维度，减少计算量。按照本专利技术的基于LBP和LDA的人脸表情识别方法包括如下步骤：S1.输入图像，对图像进行预处理；S2.将S1步骤输入的图像运用Adaboost算法进行人脸检测；S3.将S2步骤检测出的人脸图像进行LBP特征提取；S4.将S3步骤提取的特征通过LDA算法降维，得到相对低维的人脸表情特征；S5.将S4步骤提取的特征通过KNN最近邻算法进行表情识别，得到人脸表情识别结果。优选的是，步骤S1中所述图像预处理按照以下步骤进行：S101.图像尺寸归一化处理；S102.图像去噪处理；S103.彩色图像灰度化处理。在上述任一方案中优选的是，图像预处理步骤S101中归一化尺寸大小为合理的固定大小尺寸，单位为像素。在上述任一方案中优选的是，图像预处理步骤S102中去噪方法为线性均值滤波。在上述任一方案中优选的是，步骤S2中所述利用Adaboost进行人脸检，检测按照以下步骤进行：S201.初始化训练数据的权值分布；S202.训练多个弱分类器；S203.合并弱分类器为一个强分类器；S204.输入待检测图像到Adaboost分类器；S205.给出是否包含人脸结果，并定位人脸位置。在上述任一方案中优选的是，步骤S201中初始化训练数据的权值为相同大小的权值。在上述任一方案中优选的是，步骤S202中训练弱分类器的方法选用CART算法，弱分类器的个数为一个固定数目。在上述任一方案中优选的是，步骤S205中定位方法为，通过不断的调整检测窗口的位置、比例，来找到人脸。在上述任一方案中优选的是，步骤S3中利用LBP算法提取人脸图像中局部区域的纹理特征。以中心像素的灰度值作为阈值，与其领域的像素值比较大小得到相对应的二进制码作为中心像素灰度值，以此来提取局部纹理特征。步骤S3中LBP特征提取按照以下步骤进行：S301.对每个像素点的周围8邻域与中心像素点做差，大于等于0的像素点赋值为1，小于0的像素点赋值为0；S302.从左上角开始按顺时针进行二进制编码；S303.将编码后的八位二进制数转换成十进制数，作为当前像素点的LBP特征值；S304.将所有像素点的LBP特征值依次拼接成一个特征向量。在上述任一方案中优选的是，步骤S301中的实现可通过运用矩阵运算来减少计算时间。在上述任一方案中优选的是，步骤S4中利用LDA算法对提取的表情特征进行降维处理，减少计算量。LDA的思想非常朴素：给定训练样本集，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离。步骤S4中LDA降维处理按照以下步骤进行：把步骤S4中的高维特征向量进行降维的过程，可以视为由线性判别式求解向量w*的过程，步骤如下：S401把来自两类w1/w2的训练样本集X分成w1和w2两个子集X1和X2；S402由，i＝1,2，计算Mi；S403由计算各类的类内离散度矩阵i＝1,2；S404计算类内总离散度矩阵S405计算的逆矩阵S406由求解w*。在上述任一方案中优选的是，步骤S5中利用KNN最近邻算法对提取的表情特征进行表情分类，识别出是属于哪一种表情。步骤S5中KNN最近邻分类按照以下步骤进行：S501.计算未知表情分类的测试样本x与N个已知表情类别的训练样本的距离；S502.找出与x距离最近的k个已知表情的人脸图像样本；S503.计算k个样本中属于w1，w2，到w7这7类表情中哪一类最多(当前人脸表情识别统一标准的7种基本表情)；S504.得出属于某一类最多的，即为该类表情，完成表情识别。在上述任一方案中优选的是，步骤S503中判定方法为：首先计算测试样本与已明确表情类别的训练样本之间的距离，然后根据这些距离的取值来确定待识别样本与哪一类表情的距离最近，最后识别测试样本的表情。在上述任一方案中优选的是，所述计算测试样本与已明确表情类别的训练样本之间的距离,具体计算方法为通过样本特征向量与已经确定类别的样本特征向量做差，然后求其欧氏距离，最后作为所需距离。在上述任一方案中优选的是，所述识别样本表情，所求得的最小距离的样本所属表情为最终的识别表情。本专利技术的有益效果是：通过Adaboost算法进行人脸检测与定位，提高了算法准确率；LBP算法可以降低光照变化的影响；LDA算法对图像数据降维，大大地减少了计算量，提高了识别效率；KNN算法简单高效，保证识别准确率的前提下，缩短了识别时间。在一定程度上验证了本专利技术方法的可行性，说明采用LBP和LDA技术通过Adaboost、KNN分类是能够降低光照变化对表情识别准确率的影响，降低图像数据维度，减少计算量,是能够有效地实现人脸表情图像识别。本专利技术方法深化了对人脸表情识别的认知，同时也进一步提高了人脸表情识别在光照影响下的准确率。附图说明图1按照本专利技术的基于LBP和LDA的人脸表情识别方法的一个优选实施例的一般人脸表情识别流程图；图2为按照本专利技术的基于LBP和LDA的人脸表情识别方法的如图1所示的实施例的提取自JAFFE数据库的对比表情图；图3按照本专利技术的基于LBP和LDA的人脸表情识别方法中的LBP算法示意图；图4按照本专利技术的基于LBP和LDA的人脸表情识别方法中的LDA算法示意图；图5作为按照本专利技术的基于LBP和LDA的人脸表情识别方法的一实施例的KNN表情识别示意图；图6按照本专利技术的基于LBP与LDA的人脸表情识别算法的一实施例的流程图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的器件或具有相同或类似功能的器件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。如图1所示的是本专利技术的基于LBP和LDA的人脸表情识别方法的人脸表情完整识别流程图。人脸表情识别共有6步，依次是原始图像，图像预处理，表情特征提取，表情分本文档来自技高网...

【技术保护点】
一种基于LBP和LDA的人脸表情识别方法，包括以下步骤：S1.输入图像，对图像进行预处理；S2.将S1步骤输入的图像运用Adaboost算法进行人脸检测；S3.将S2步骤检测出的人脸图像进行LBP特征提取；S4.将S3步骤提取的特征通过LDA算法降维，得到相对低维的人脸表情特征；S5.将S4步骤提取的特征通过KNN最近邻算法进行表情识别，得到人脸表情识别结果。

【技术特征摘要】
1.一种基于LBP和LDA的人脸表情识别方法，包括以下步骤：S1.输入图像，对图像进行预处理；S2.将S1步骤输入的图像运用Adaboost算法进行人脸检测；S3.将S2步骤检测出的人脸图像进行LBP特征提取；S4.将S3步骤提取的特征通过LDA算法降维，得到相对低维的人脸表情特征；S5.将S4步骤提取的特征通过KNN最近邻算法进行表情识别，得到人脸表情识别结果。2.根据权利要求1所述的基于LBP和LDA的人脸表情识别方法，其特征在于：步骤S1中所述图像预处理按照以下步骤进行：S101.图像尺寸归一化处理；S102.图像去噪处理；S103.彩色图像灰度化处理。3.根据权利要求2所述的基于LBP和LDA的人脸表情识别方法，其特征在于：图像预处理步骤S101中归一化尺寸大小为固定大小，单位为像素。4.根据权利要求2所述的基于LBP和LDA的人脸表情识别方法,其特征在于：图像预处理步骤S102中去噪方法为线性均值滤波。5.根据权利要求1所述的基于LBP和LDA的人脸表情识别方法，步骤S2中所述利用Adaboost进行人脸检测按照以下步骤进行：S201.初始化训练数据的权值分布；S202.训练多个弱分类器；S203.合并弱分类器为一个强分类器；S2...

【专利技术属性】
技术研发人员：刘宏哲，袁家政，张启坤，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京,11