一种基于特征优选的多特征融合表情识别方法技术

本发明专利技术公开了一种基于特征优选的多特征融合表情识别方法，包括：对图像进行预处理，获得纯人脸区域；通过多类型提取算子，从纯人脸区域提取表情表征，构建表情表征集；通过特征优选准则，从表情表征集中选择分类能力高且互补的特征，构建特征字典；通过最大散度差字典优化策略，对特征字典优化，提高鉴别能力；通过优化后的特征字典进行组稀疏表示分类，获得图像的表情类别。通过解决由单一特征构建表情识别模型精度受限制的问题，提出多个特征融合来提高表情识别精度；并针对如何从完备的特征集中选择哪类特征融合的问题，提出特征优选准则，选择性能好且互补的特征融合进行表情识别，并提出最大散度差字典优化策略，提升方法的识别精度。的识别精度。的识别精度。

【技术实现步骤摘要】
一种基于特征优选的多特征融合表情识别方法


[0001]本专利技术涉及图像分类
，更具体的说是涉及一种基于特征优选的多特征融合表情识别方法。

技术介绍

[0002]目前，表情识别是计算机视觉中研究热点，被广泛应用于机器人技术、人机界面、情绪处理、疲劳检测等领域。表情识别是依靠识别系统实现的，识别系统包括人脸检测、特征提取和分类器设计三个部分，其中特征提取是核心部分，其质量直接影响方法的识别精度和识别速度，必须选择合适的特征提取算子来编码面部区域中独特的局部结构。一个最优的特征算子应该是高度独特且具有高分辨能力，同时具有低的计算负荷和对噪声的敏感性低等特性。要想找到一个具有这么多优点的特征算子是非常难的，因此考虑通过多个特征融合来构建表情识别系统，弥补单一特征表情识别系统中解决问题单一，识别精度不高的问题。
[0003]然而现有多特征融合表情识别方法，通过先验知识选择特征算子进行融合。它们缺乏一个准则去评价参与融合的表情是否适合融合，识别性能高且能够提供互补信息
[0004]因此，提出一种特征优选准则对参与融合的特征进行预筛选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征优选的多特征融合表情识别方法，其特征在于，包括以下步骤：S1、对图像进行预处理，获得纯人脸区域；S2、通过多类型提取算子，从纯人脸区域提取表情表征，构建表情表征集；S3、通过特征优选准则，从表情表征集中选择分类能力高且互补的特征，构建特征字典；S4、通过最大散度差字典优化策略，对特征字典优化，提高鉴别能力；S5、通过优化后的特征字典进行组稀疏表示分类，获得图像的表情类别。2.根据权利要求1所述的一种基于特征优选的多特征融合表情识别方法，其特征在于，所述多类型提取算子包括：方向梯度直方图特征、局部二值模式特征、局部相位量化特征、灰度共生矩阵特征和主动形状模型特征。3.根据权利要求1所述的一种基于特征优选的多特征融合表情识别方法，其特征在于，所述步骤S3具体包括：S31、提取测试样本y的特征y
i
，通过稀疏表示获得特征y
i
在D
i
上的编码稀疏w
i
，通过公式(1)计算编码稀疏w
i
的系数集中指数SCI(w
i
)，通过测试样本y的表情标签获得正确类的编码稀疏稀疏其中，i为特征类型，c为正确类，C为表情类别数目；S32、计算所有测试集中样本的value1，取平均得到F
value1
，value1＝[SCI(w
HOG
),SCI(w
LBP
),SCI(w
LPQ
),SCI(w
GLCM
),SCI(w
ASM
)]其中，HOG为方向梯度直方图特征，LBP为局部二值模型特征，LPQ为局部相位量化特征，GLCM为灰度共生矩阵特征，ASM为主动形状模型特征，F
value1
为包含每个特征的平均value1值；S33、将F
value1
降序排列，选择前半部分构建候选特征集f
candidate
；S34、计算候选特征集f
candidate
中任意两个特征的互补指数F
value2
；S35、将F
value2
降序排列，选择最大值对应的特征组合为f
final
，为包含了F
value2
值最大的两个特征。4.根据权利要求3所述的一种基于特征优选的多特征融合表情识别方法，其特征在于，所述步骤S31具体包括：S311、提取测试样本y的HOG特征y
HOG
，通过稀疏表示获得y
HOG
在D
HOG
上的编码稀疏w
HOG
，通过式(1)计算w
HOG
的稀疏集中指数SCI(w
HOG
)，通过测试样本的表情标签获得正确类的编码稀疏S312、提取测试样本y的LBP特征y
LBP
，通过稀疏表示获得y
LBP
在D
LBP
上的编码稀疏w
LBP
，通过式(1)计算w
LBP
的稀疏集中指数SCI(w
LBP
)，通过测试样本的表情标签获得正确类的编码稀疏S313、提取测试样本y的LPQ特征y
LPQ
，通过稀疏表示获得y
LPQ
在D
LPQ
上的编码稀疏w
LPQ
，通
过式(1)计算w
LPQ
的稀疏集中指数SCI(w
LPQ
)，通过测试样本的表情标签获得正确类的编码稀疏S314、提取测试样本y的GLAM特征y
GLCM
，通过稀疏表示获得y
GLCM
在D
GLCM
上的编码稀疏w
GLCM
，通过式(1)计算w

【专利技术属性】
技术研发人员：陈昊，揭丽琳，黎明，陈震，李响，辜嘉，秦文健，张聪炫，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：