[发明专利]一种基于局部稀疏表示分类器的人脸情感识别方法

说明书

技术领域

本发明提供了一种基于局部稀疏表示分类器的人脸情感识别方法，属于医疗健康、图像处理和模式识别技术领域。

背景技术

随着信息技术的不断发展，情感计算已广泛应用在智能机器人、智能玩具、游戏、电子商务等领域，以构筑更加拟人化的风格和更加逼真的场景。例如在人机交互方面，一个拥有情感能力的计算机能够对人类情感进行获取、分类、识别和响应，进而帮助使用者获得高效而又亲切的感觉，并能有效减轻人们使用电脑的挫败感，甚至能帮助人们理解自己和他人的情感世界。在智能交通方面可采用情感计算技术检测驾驶司机的精力是否集中，其感受到的压力水平等，进而做出相应的反应。情感也反映了人类的心理健康情况，情感计算的应用可以有效地帮助人们避免不良情绪，保持乐观健康的心理。

人脸表情在人与人之间的交流中起着至关重要的作用。人脸表情包含了丰富的情感信息，可直接体现出不同的情感状态信息，人脸情感识别就是通过分析一个人的人脸表情来察觉对方的内心情感状态。

尽管人脸情感识别已经取得了较多的研究成果，但是在实际应用当中，人脸图像容易受到腐蚀（Corruption）、遮挡（Occlusion）等因素的影响，因而识别的准确率仍然有待提高。其中的一个主要原因是人脸图像数据的高维问题，目前应用在人脸情感识别方面的特征选择方法不大适用于高维数据，难以在高维数据中选择到合适的特征子集，这些局限使得目前的情感识别的准确率不高。但是在其它领域，已出现一些非常有效的特征选择算法，例如MCFS算法（Deng Cai, Chiyuan Zhang, Xiaofei He, Unsupervised feature selection for multi-cluster data, Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining 2009），这种方法能够在高维空间中选择出合适的特征，并能有效地用于人脸识别。本发明将其用于人脸情感识别。

人脸情感识别中的另一个问题是数据的稀疏问题，目前很多分类算法对数据的稀疏性非常敏感。稀疏导致数据之间度量的失败，进而导致分类缺乏依据。近年来，Donoho、Baraniuk、Candes 等人提出了一种新的采样理论，即压缩感知 CS（Compressive Sensing、Compressed Sensing、Compressive Sampling)理论，其已在信息论、图像处理、人脸识别、视频追踪等领域受到了高度关注，例如稀疏表示分类器SRC（Sparse Representation Classifier）已成功用于人脸表情识别领域，取得了较好效果。但是SRC对噪音敏感，准确率还需进一步提高，本发明提出局部稀疏表示和局部相对稀疏表示分类器来实现情感识别，获得了更高的识别准确率。

发明内容

本发明要解决的技术问题是：解决高维数据的特征选择问题和稀疏表示分类问题，以提高情感识别的准确率。

 一种基于局部稀疏表示分类器的人脸情感识别方法，其特征在于该方法包括以下步骤：

[1]    采集人脸表情图像；

[2]    采用Gabor 小波变换构造人脸表情的特征向量；

[3]    根据MCFS算法选择特征，获得降维后的人脸表情特征向量；

[4]    采用局部稀疏表示分类器分类降维后的人脸表情特征向量，获得对应的情感类别。

 

其中MCFS特征选择算法包括以下步骤：

[1] 构造p近邻图，边之间的权重设为：如果两个样本相邻，则边之间的权重设为1，若两个样本不相邻，则边之间的权重设为零； 

[2] 计算式(11)的特征值，式中L=D-W,                                               , W为第一步求得的权重。为最小的k个特征值对应的特征向量；

Ly =λDy                                                    (11)

[3] 使用Least Angel Regression算法解决公式(12)所示的L1-regularized regression 问题；