The invention provides a face expression recognition method based on low rank tensor decomposition, including image preprocessing step, feature extraction step, tensor modeling step, low rank learning step, tensor decomposition step and feature classification step. In the invention, the tensor representation feature space can retain the non-linear features of the image; the low rank tensor decomposition technology is used to learn the features of the human face subspace region of different individuals and obtain the face information in different dimensions; then the tensor under all subspaces is decomposed and the clustering reconstruction is used to obtain the effective expression of the expression features, and the expression ability of the face expression information is stronger And improve the recognition rate of facial expression.
【技术实现步骤摘要】
基于低秩张量分解的多样本人脸表情识别方法
本专利技术涉及人脸表情识别
,具体涉及一种基于低秩张量分解的多样本人脸表情识别方法。
技术介绍
人脸表情在人类的日常交流中,通过语言传递的信息仅占7%,而人脸表情传递的信息却高达55%。研究计算机如何能够像人类具有理解和表达情感的能力,并能够自主适应环境,这将从根本上改变人与计算机之间的联系,因而,人脸表情识别具有广泛的应用前景。一是能够推动人机交互、人工智能、心理学以及计算机视觉等多个课题的发展,二是在服务业、侦察学的应用方面及基础学科研究的巨大作用。表情识别主要目标为获取人们对同一表情的共同点,但其中存在诸多的信息干扰,获取表情信息中往往含有表情变化与自身特征。即同类表情易受不同个体的影响,且在实际应用的研究中,表情特征的变化信息存在非线性、连续性这两个特点,传统降维技术难以保留表情非线性特征变化。因此急需新方法解决此类问题。
技术实现思路
本专利技术所要解决的技术问题是,针对多个体、多样本人脸数据情况提供一种更精确、更便捷的人脸表情识别方法。本专利技术采用的技术方案是,一种基于低秩张量分解的多样本人脸表情识别方法,包括如下步骤:S1:图像预处理,利用人脸检测算法截取图像中的人脸区域;S2:特征提取,通过多种模式下的特征算子对人脸区域进行特征提取;S3:张量建模,根据提取到的人脸区域的特征,利用张量表示特征空间;特征空间张量中每一阶对应一个特征子空间;S4:低秩学习,对特征空间张量进行低秩学习得到子 ...
【技术保护点】
1.一种基于低秩张量分解的多样本人脸表情识别方法,其特征在于,包括如下步骤:/nS1:图像预处理,利用人脸检测算法截取图像中的人脸区域;/nS2:特征提取,通过多种模式下的特征算子对人脸区域进行特征提取;/nS3:张量建模,根据提取到的人脸区域的特征,利用张量表示表情特征空间;/nS4:低秩学习,对特征空间张量进行低秩学习得到描述特征子空间的低秩重构矩阵;所述描述特征子空间的低秩重构矩阵为特征子空间下的使得张量模型聚类重构的低秩矩阵;/nS5:张量分解,对子空间下的低秩矩阵进行分解、降维,从而得到不同维度下的投影矩阵;/nS6:特征分类,对经过投影矩阵映射后提取到的特征进行分类。/n
【技术特征摘要】
1.一种基于低秩张量分解的多样本人脸表情识别方法,其特征在于,包括如下步骤:
S1:图像预处理,利用人脸检测算法截取图像中的人脸区域;
S2:特征提取,通过多种模式下的特征算子对人脸区域进行特征提取;
S3:张量建模,根据提取到的人脸区域的特征,利用张量表示表情特征空间;
S4:低秩学习,对特征空间张量进行低秩学习得到描述特征子空间的低秩重构矩阵;所述描述特征子空间的低秩重构矩阵为特征子空间下的使得张量模型聚类重构的低秩矩阵;
S5:张量分解,对子空间下的低秩矩阵进行分解、降维,从而得到不同维度下的投影矩阵;
S6:特征分类,对经过投影矩阵映射后提取到的特征进行分类。
2.如权利要求1所述方法,其特征在于,所述步骤S1包括如下步骤:
S11:将图像从彩色空间转换到灰度空间;
S12:利用人脸检测算法将人脸区域进行截取;
S13:对人脸区域图像进行尺度缩放。
3.如权利要求1所述方法,其特征在于,步骤S2包括如下步骤:
S21:对人脸区域表情图片提取局部二值模式LBP算子特征;
S22:对人脸区域表情图片提取Gabor算子特征。
4.如权利要求1所述方法,其特征在于,步骤S3包括如下步骤:
S31:把步骤S2中各种模式下的特征算子提取的特征拉伸化为矢量并标准成同样长度,然后以算子通道维度进行级联形成特征矩阵;
S32:以人脸身份和表情属性为新的坐标轴,将不同人脸身份和表情的特征矩阵以新建立的坐标轴进行堆叠,建立特征空间张量
其中,I1代表特征维度,I2表示利用特征算子提取特征的通道维度,I3表示人脸身份维度,I4表示表情信息维度。
5.如权利要求1所述方法,其特征在于,步骤S4包括如下步骤:
S41:利用特征空间张量构建特征子空间以及噪声部分的低秩模型:
其中,为特征空间张量,rank表示求解目标矩阵的秩,Z表示描述特征子空间的低秩重构矩阵,λ表示用于平衡低...
【专利技术属性】
技术研发人员:刘欣刚,李辰琦,卓欣然,汪卫彬,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
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。