【技术实现步骤摘要】
一种人脸表情的识别方法
本专利技术涉及人脸识别
，具体涉及一种人脸表情的识别方法。
技术介绍
面部表情通过人脸不同部位的形状变化表现出来，进而表达各种不同的情绪状态，传达不同的情感。利用图像几何形状变化分析识别人脸表情具有十分广泛的应用前景。人脸表情识别可应用于个性化定制，根据用户脸部表情识别判断其情感状态，进而推荐符合用户需求的各项服务，包括娱乐内容推荐，生活服务信息推荐等；可应用于网上在线学习，根据表情变化判断用户对所学习内容的兴趣程度，对学习内容进行自动评价及调整，引导用户进行有效性学习；可应用于自动产品或广告评价，通过用户使用及欣赏产品或广告时的表情变化，判断用户喜好程度，从而产生评价内容；可应用于智能虚拟人交互，通过用户情感识别，调整虚拟人的表情，达到自然人机交互的目的。对人脸表情的识别还可以应用于司法、安全、医疗、通信、汽车制造等领域。人脸表情识别技术大都建立在美国心理学家保罗·艾克曼(Paul·Ekman)对表情分类的基础上，保罗·艾克曼将人脸表情分为七个分类：中性、高兴、愤怒、悲伤、惊讶、厌恶及恐惧。根据人脸表情的分类，可以通过人脸图像在不同...
【技术保护点】
1.一种人脸表情的识别方法，其特征在于，具体包括以下步骤：步骤1 针对人脸表情数据集中的各个图像，检测图像中的人脸及特征点：步骤1.1 针对人脸表情训练数据集中的各图像，检测图像中的人脸并实现特征点对齐，为了准确检测不同人脸特征点的准确位置，需要利用样本人脸中手工标注的特征点对平均人脸特征点的位置进行最优化回归计算,定义优化函数为如下公式(1)：
【技术特征摘要】
1.一种人脸表情的识别方法，其特征在于，具体包括以下步骤：步骤1针对人脸表情数据集中的各个图像，检测图像中的人脸及特征点：步骤1.1针对人脸表情训练数据集中的各图像，检测图像中的人脸并实现特征点对齐，为了准确检测不同人脸特征点的准确位置，需要利用样本人脸中手工标注的特征点对平均人脸特征点的位置进行最优化回归计算,定义优化函数为如下公式(1)：其中，表示平均人脸的特征点，经过回归计算后得出人脸的68个特征点，平均人脸的特征点是对样本人脸中特征点的位置进行平均计算得到，表示当前人脸特征点。函数用来计算特征点局部区域特征；步骤1.2在步骤1.1的基础上，为了得到最优化结果，计算平均人脸特征点到当前人脸特征点之间的一条最佳迭代路径，即计算f(x)的最小值，也就是计算从x0位置到x位置的最优下降过程，而f(x)的最小值则由f‘(x)＝0计算得到，基于泰勒展开得到和Δx之间的一个线性关系为如下公式(2)：对于曲率以及偏移量无需计算，只需要利用样本人脸数据及其特征点位置对上式进行迭代回归，从而得到回归模型，即多组曲率和偏移量的下降参数值；步骤2特征点形状描述：步骤2.1在步骤1的基础上，生成人脸图像上各个特征点局部区域的特征向量，计算基于人脸特征点的表情特征，通过多尺度细节增强方法对人脸图像做预处理，利用层次化的梯度统计方法计算特征点局部区域特征；步骤2.2在步骤1的基础上，对人脸图像进行旋转归一化，建立统一的人脸坐标系；步骤2.3为了达到算法对人脸缩放的不变性，减少人脸缩放变化对于形状特征的影响，建立图像高斯尺度空间，形成图像金字塔结构，图像金字塔是多尺度计算的基础，通过对原图像进行上采样和下采样，建立图像的三层金字塔结构；步骤2.4进行高斯模糊及图像差分计算，高斯拉普拉斯算子(LoG)能够得到图像局部细节，由于LoG算子计算成本较高，而不同尺度的高斯模糊图像差分(DoG)能够近似的表征LoG算子，因此提出基于DoG的图像局部细节计算方法；为了计算图像细节，首先对于不同尺度下的图像，采用不同的高斯模糊核对同一尺度下的图像进行不同级别的模糊变化；模糊核计算按照以下公式(3)进行：其中σ为平均差，r2＝x2+y2决定了模糊核的大小；具体应用中利用离散的像素距离作为模糊核大小，在本方法中分别取模糊核大小为r＝23和r＝21，而为平均差的计算方法，不同模糊核具有不同的平均差取值；对根据不同模糊核得到的统一尺度下的两层图像相减即得到高斯差分图像，如公式(4)～(6)：Li，j(x，y)＝Gi*I′(x，y)……(4)D1＝L2-L1……(5)D2＝L3-L2……(6)其中I′为尺度图像，L为不同模糊核模糊后的不同层的图像；步骤2...
【专利技术属性】
技术研发人员：樊亚春，税午阳，宋毅，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京,11
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。