The calculation method and system model of the formation of a facial expression intensity, the model is used to estimate the strength of the facial expression classification, first get the image data of the database, database in preprocessing to extract the facial part of the data, and then into the facial geometric features, local feature extraction mode and Gabor value of two wavelet transform three modes, respectively, using supervised model, semi supervised and unsupervised pattern pattern on the front step output data for training, get the relationship between the expression intensity and characteristics of the face, will be formed after the training data were used as the number of random forest algorithm input for training, obtained facial expression intensity calculation model according to the model, the calculation model of facial expression forms the ultimate strength. The invention uses the database to train the facial expression intensity calculation model under the expression classification, and applies the model to process the image data, and then obtains the intensity of the expression classification after training.
【技术实现步骤摘要】
面部表情强度计算模型的形成方法及系统
本专利技术涉及图像处理领域,尤其涉及面部面部表情处理方面,更具体地说,涉及一种面部表情强度计算模型的形成方法及系统。
技术介绍
随着图像处理技术的进步,目前出现了许多方法,能够根据采集到的面部图像,识别面部表情,将表情进行分类:如分为高兴、悲伤以及中间态,再如分为激动、平静,或者分为疑惑、害怕、伤心、吃惊等等。分类的方式很多,但是目前这些方法只能针对表情进行粗略的分类,无法获知表情分类下的具体强度,如有多高兴、多悲伤等等,即未基于表情识别做出表情强度的估计。
技术实现思路
本专利技术要解决的技术问题在于,针对上述的目前的方法只能针对表情进行粗略的分类,无法获知表情分类下的具体强度的技术缺陷,提供了一种面部表情强度计算模型的形成方法及系统。根据本专利技术的其中一方面,本专利技术为解决其技术问题,提供了一种面部表情强度计算模型的形成方法,所述面部表情强度计算模型用于估算表情分类下的面部表情强度,包含如下步骤:S1、获取用于训练的包含面部部分的表情数据库,所述数据库包含具有面部表情强度标签的数据库与无面部表情强度标签的数据库;S2、对所述表情数据库中的图像数据进行预处理,提取出面部部分的数据;S3、对提取出的面部部分的数据分别进行面部几何特征、局部二值模式和Gabor小波变换三种模式的特征提取;S4、分别使用全监督模式、半监督模式和无监督模式对步骤S3输出的数据进行训练,得到特征与面部表情强度的关系;S5、将所述训练后形成的数据分别作为序数随机森林算法的输入进行训练,分别得出面部表情强度计算子模型,将k1*A1+k2*A2+k3 ...
【技术保护点】
一种面部表情强度计算模型的形成方法,所述面部表情强度计算模型用于估算表情分类下的面部表情强度,其特征在于,包含如下步骤:S1、获取用于训练的包含面部部分的表情数据库,所述表情数据库包含具有面部表情强度标签的数据库与无面部表情强度标签的数据库;S2、对所述表情数据库中的图像数据进行预处理,提取出面部部分的数据;S3、对提取出的面部部分的数据分别进行面部几何特征、局部二值模式和Gabor小波变换三种模式的特征提取;S4、分别使用全监督模式、半监督模式和无监督模式对步骤S3输出的数据进行训练,得到特征与面部表情强度的关系;S5、将所述训练后形成的数据分别作为序数随机森林算法的输入进行训练,分别得出面部表情强度计算子模型,将k1*A1+k2*A2+k3*A3作为最终的面部表情强度计算模型,其中系数k1、k2、k3的取值范围均为(0,1),且k1+k2+k3=1,A1、A2、A3分别为同一输入条件下全监督模式、半监督模式和无监督模式对应的输出值。
【技术特征摘要】
1.一种面部表情强度计算模型的形成方法,所述面部表情强度计算模型用于估算表情分类下的面部表情强度,其特征在于,包含如下步骤:S1、获取用于训练的包含面部部分的表情数据库,所述表情数据库包含具有面部表情强度标签的数据库与无面部表情强度标签的数据库;S2、对所述表情数据库中的图像数据进行预处理,提取出面部部分的数据;S3、对提取出的面部部分的数据分别进行面部几何特征、局部二值模式和Gabor小波变换三种模式的特征提取;S4、分别使用全监督模式、半监督模式和无监督模式对步骤S3输出的数据进行训练,得到特征与面部表情强度的关系;S5、将所述训练后形成的数据分别作为序数随机森林算法的输入进行训练,分别得出面部表情强度计算子模型,将k1*A1+k2*A2+k3*A3作为最终的面部表情强度计算模型,其中系数k1、k2、k3的取值范围均为(0,1),且k1+k2+k3=1,A1、A2、A3分别为同一输入条件下全监督模式、半监督模式和无监督模式对应的输出值。2.根据权利要求1所述的面部表情强度计算模型的形成方法,其特征在于,所述步骤S2中预处理包括:面部特征点定位、面部识别、图像剪切和直方图均衡化;方案采用主动形状模型ASM获取面部特征点,利用瞳孔间的连线与水平线的夹角,旋转图像使得瞳孔间连线为水平,之后调用OpenCV库中面部识别框架获取图像数据中面部部分,并且剪切面部区域为M*N像素,最后对所有剪切后图像数据进行直方图均衡化处理;其中,M、N均为正整数且均大于3。3.根据权利要求1所述的面部表情强度计算模型的形成方法,其特征在于,所述步骤S3中还包括步骤:采用主成分分析方法,分别对三种模式提取的特征进行处理以降低特征数据的维度。4.根据权利要求1所述的面部表情强度计算模型的形成方法,其特征在于,所述步骤S3中对于任意一帧:是以该帧中下巴与鼻尖的像素间距离为标准值,将嘴角、下巴、眼角、上下眼皮之间的像素间的相互距离与该帧的标准值的比值作为面部几何特征。5.根据权利要求1所述的面部表情强度计算模型的形成方法,其特征在于,所述步骤S3中采用局部二值模式提取图像特征时,具体是指将步骤S2中提取出的面部部分的数据分割得到的面部图像均匀分为P*Q块,得到P*Q块(M/P)*(N/Q)的区域,对每一区域进行3*3邻域像素的处理,对比所有像素临近的8个像素的灰度值,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0,得到8个二进制数,将8位二进制数转换为10进制,得到该像素点的LBP值,最终按行拼接P*Q块图像的LBP值,得到图像的局部二值模式特征;其中,P、Q、M、N均为正...
【专利技术属性】
技术研发人员:杨林权,谷俊允,
申请(专利权)人:中国地质大学武汉,
类型:发明
国别省市:湖北,42
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。