【技术实现步骤摘要】
基于改进的LBP算子的卷积神经网络表情识别方法
本专利技术涉及一种识别方法，特别是一种基于改进的LBP算子的卷积神经网络表情识别方法，属于图像识别
技术介绍
人类情感体系中最重要的表现形式就是面部表情，它是一个人情感状态的真实反映，更是人与人之间重要交流方式。在人际交往活动中，最为自然的表达方式则是人脸表情，它是情感信息传播媒介，能够补充语言或文字无法表达的内容，识别人脸表情不仅能够促进人际关系，同时还能推动社会的和谐发展。近年来随着人工智能技术的飞速发展，人脸识别方法越发成熟，如：模式识别、情感计算等，它已经成为了重要研究方向。人脸表情识别主要由人脸获取、人脸特征提取以及对人脸表情识别三部分构成。随着信息技术提升，计算机可以通过人脸表情识别区分出6种基本情感，促进了人机交互的发展。近几年来，人脸识别在人们的生活中得到了广泛应用，如：人类与高级机器人交互、人类行为分析、疾病预防诊断、学习教育、交通安全等方面都发挥了重要的作用。随着计算机性能不断提高，人工智能快速发展，深度学习的趋势已在全球蔓延，卷积神经网络...
【技术保护点】
1.一种基于改进的LBP算子的卷积神经网络表情识别方法，其特征在于，该方法包括以下步骤:/n步骤1：输入人脸图像并进行灰度值转化和归一化尺寸的预处理；/n步骤2：对图像进行LBP-HF纹理特征的提取，包括：/n计算圆形邻域上的图像全局的原始模式LBP值；/n在原始模式LBP值基础上，融合旋转不变LBP模式
【技术特征摘要】
1.一种基于改进的LBP算子的卷积神经网络表情识别方法，其特征在于，该方法包括以下步骤:
步骤1：输入人脸图像并进行灰度值转化和归一化尺寸的预处理；
步骤2：对图像进行LBP-HF纹理特征的提取，包括：
计算圆形邻域上的图像全局的原始模式LBP值；
在原始模式LBP值基础上，融合旋转不变LBP模式和等价UniformLBP模式获取得到旋转不变等价模式算子；
对旋转不变等价做直方图，统计直方图并进行离散傅里叶变换；计算得到多尺度局部二值模式傅立叶直方图特征，即LBP-HF纹理特征；
步骤3：将提取到的LBP-HF纹理特征矩阵输入到卷积神经网络中进行样本训练；
步骤4：卷积神经网络利用多层卷积层对图像进行进一步的特征提取；
步骤5：通过分类器对表情进行识别。
2.根据权利要求1所述的一种基于改进的LBP算子的卷积神经网络表情识别方法，其特征在于，所述步骤2中，计算圆形邻域上的图像全局的原始LBP值包括：
设图像核心像素点周围为不同规格圆形邻域系统，计算过程如下：
gp,r＝[gp,r,0,gp,r,1,…gp,r,p-2,gp,r,p-1]T
其中，(i,j)表示像素点；gc表示像素灰度值；r表示圆形邻区半径；p表示区域中分布的像素数量；s(x)是符号函数；n是像素点对应的位置；gp,r,n是圆区第n个像素的灰度值；gp,r是圆区像素的灰度值；LBPp,r为原始LBP算子模式。
3.根据权利要求2所述的一种基于改进的LBP算子的卷积神经网络表情识别方法，其特征在于，所述步骤2中，融合时采用的等价UniformLBP模式用U来度量，即
U值代表在LBP模式中圆周相邻的二元值变化次数，变化界定在0与1之间；
旋转不变LBP模式的计算公式如下：
因此，融合后的所述旋转不变等价模式表示为：
4.根据权利要求3所述的一种基于改进的LBP算子的卷积神经网络表情识别方法，其特征在于：所述步骤2中，对旋转不变等价做直方图，统计直方图并进行离散傅里叶变换，具体包括：
图像Iα(x,y)中心点位置设定为(x,y)，旋转角度是α角，当点(x,y)旋转了α角度之后，就会形成对应点，设定为(x',y')；
假设旋转的范围在两个采样点的整数倍数之间，即故此在(x,y)点上设立均匀模式Up(n,r)，并被(x',y')点上设立的均匀模式Up(n,r+kmodp)取代；
hI(Up(n,r))能够反映出旋转不变等价模式直方图；
旋转图像设定旋转角为进一步计算，设定输入图像旋转与直方图旋转是一致的，则可以表达为：
对旋转不变等价模式直方图的循环位移hI(Up(n,r))第n行进行离散傅立叶变换得到向量H(n,u)，具体计算公式如下：
H(n,u)＝∑hI(Up(n,r))e-i2πur/p
在离散傅立叶变换中，输入数据发生了循环位移变化，从而形成了离散傅立叶变换系数改变，若存在
h'(Up(n,r))＝h(Up(n,r-k)),那么：
H'(n,u)＝H(n,u)e-i2πuk/p
因此，任意1≤n1，n2≤p...
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。