The present invention discloses a feature selection method for facial emotion recognition based on improved brainstorming optimization algorithm. The following steps are as follows: (1) extracting facial expression features from facial image by using directional gradient histogram HOG to form an initial feature vector; (2) calculating the difference between the emotional feature vector and the neutral emotion feature vector, and finding the difference between the emotion feature vector and the neutral emotion feature vector, and finding the difference between the emotion feature vector and the neutral emotion feature vector, and the method of finding the difference value between the emotion feature vector and the neutral emotion feature vector, and the method of finding the difference between the emotion feature vector and the neutral emotion feature vector is found. For all the characteristics of the difference in the mood change, the difference feature vectors are constructed and passed to the feature selection module. (3) in the feature selection module, a feature selection method based on improved brainstorming optimization is used to find a feature subset with the least feature number and the highest precision of the classifier; (4) the feature subset is determined to determine the feature subset. The support vector machine, as an emotion classifier, classifies the new face image and completes the recognition of facial emotion. The invention greatly improves the recognition accuracy of the algorithm, reduces the search space of the brainstorming optimization technology and improves the processing speed of the emotion recognition questions in the opposite direction obviously.
【技术实现步骤摘要】
基于改进头脑风暴优化算法的面部情绪识别特征选择方法
本专利技术涉及一种面部情绪识别特征选择方法,尤其涉及一种基于改进头脑风暴优化算法的面部情绪识别特征选择方法。
技术介绍
面部情绪识别(FacialExpressionRecognition,FER)是从面部动作编码系统间接识别图像中情感,或者从面部图像直接识别人的情感。情感是人的内在代表性符号之一,在人类感知、推理、计划、决策和社会活动中起着重要的作用。随着机器视觉、大数据和信息技术的快速发展,面部情绪识别在智能感知、人机交互、疲劳驾驶检测、情感机器人和视频监控等领域,受到学术界和工业界的广泛关注。一般而言,一个典型的面部情绪识别系统包括人脸采集模块、特征选择模块,以及特征分类和验证模块,其中,人脸特征的提取和选择在情感识别过程中起着关键的作用。只有精确选择出人脸代表性的特征集,才能大大提高情感分类算法的性能。常见面部特征提取方法包括几何特征法和外观法。几何特征法是将重要面部特征(如,眼睛和鼻子等)的形状和位置的集合构造为特征向量,而外观法则通过特殊的过滤器来提取特征,这些过滤器既可以应用于整个面部,也可以应用于面部的某些特定区域;但是,上述方法所得特征数目仍然很多,而且往往包含大量无关或冗余特征。这些特征存在,会大大增加情绪识别的时间,甚至会影响识别的精度。为此,面向面部图像情绪的特征选择方法尤为重要。目前针对面部图像数据特征选择问题,学者们已经给出了多种可选方法,如,2011年4月期刊《计算机技术与发展》第21期出版的“基于PCA的特征选择算法”,使用基于主成分分析的特征选择方法对人脸原始特征集进行选 ...
【技术保护点】
1.基于改进头脑风暴优化算法的面部情绪识别特征选择方法,其特征在于,包括以下步骤:(1)面部图像特征向量的提取;(2)从步骤(1)所确定的特征向量中确定出因情绪变化而出现差异的所有特征,组成差异特征向量;(3)对步骤(2)传递过来的差异特征向量,执行改进的头脑风暴优化算法,选出特征个数最少、分类器精度最高的一个特征子集;(4)利用步骤(3)所得最终输出个体,即适应值最大的特征子集,确定出相应的支持向量机;利用所确定支持向量机作为最终的分类器,完成面部情绪的分类,进而实现对面部情绪的识别。
【技术特征摘要】
1.基于改进头脑风暴优化算法的面部情绪识别特征选择方法,其特征在于,包括以下步骤:(1)面部图像特征向量的提取;(2)从步骤(1)所确定的特征向量中确定出因情绪变化而出现差异的所有特征,组成差异特征向量;(3)对步骤(2)传递过来的差异特征向量,执行改进的头脑风暴优化算法,选出特征个数最少、分类器精度最高的一个特征子集;(4)利用步骤(3)所得最终输出个体,即适应值最大的特征子集,确定出相应的支持向量机;利用所确定支持向量机作为最终的分类器,完成面部情绪的分类,进而实现对面部情绪的识别。2.根据权利要求1所述的基于改进头脑风暴优化算法的面部情绪识别特征选择方法,其特征在于,所述步骤(1)具体包括:采用椭圆来近似面部轮廓,利用方向梯度直方图HOG从面部图像中提取特征,组成初始特征向量;具体方法如下:首先将图像分成小的连通区域小块,并为每个小块绘制方向直方图;其次,通过计算图像中较大区域的强度,对局部直方图进行归一化;然后,标准化所有区块;最后,所有块的直方图被连接成一个特征向量。3.根据权利要求1所述的基于改进头脑风暴优化算法的面部情绪识别特征选择方法,其特征在于,所述步骤(2)具体包括:重复步骤(1)的方法构建出中性情绪图像的特征向量,计算步骤(1)所得情绪特征向量与中性情绪特征向量之间的差异值,找到因情绪变化而出现差异的所有特征,构建出差异特征子集或特征向量;当所有特征对应的特征差异值都接近零时,即可认定该图形为中性情绪,并终止算法。4.根据权利要求1所述的基于改进头脑风暴优化算法的面部情绪识别特征选择方法,其特征在于,所述步骤(3)具体包括:针对步骤(2)得到的差异特征向量,以支持向量机作为情绪分类器来评价个体的适应值,执行改进的头脑风暴优化算法,从这些差异特征中删除不相关和冗余特征,以找到特征个数最少、分类器精度最高的一个特征子集,具体方法如下:(3.1)确定种群中个体的编码策略,以任意个体X为例,本发明采用一个概率矩阵表示其编码,公式如下:X=(x1,x2,.....
【专利技术属性】
技术研发人员:张勇,王庆,巩敦卫,孙贤芳,彭超,
申请(专利权)人:中国矿业大学,
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。