[发明专利]基于ELM自编码算法的快速人脸表情识别方法

权利要求书

1.基于ELM自编码算法的快速人脸表情识别方法,其特征在于包括如下步骤：

步骤1、训练人脸区域检测分类器

1-1.给定一系列训练样本(x₁,y₁),(x₂,y₂),...,(x_i,y_i),(x_n,y_n)，其中x_i表示第i个样本，y_i＝0时表示其为负样本(非人脸)，y_i＝1时表示其为正样本(人脸)，n为总共的训练样本数量；

1-2.初始化权重并作权重归一化：D_t(i)是第t次循环中第i个样本的误差权重，t＝1...T；

1-3.对每个特征f，训练一个弱分类器h(x,f,p,θ)；计算对应所有特征的弱分类器的加权错误率:

1-4.对所有样本的权重进行更新：其中β_t＝ξ_t/1-ξ_t，e_i＝0表示x_i被正确地分类，e_i＝1表示x_i被错误地分类；

1-5.训练之后的强分类器能够被用来进行人脸检测识别，如若图片中包含人脸，还会定位到人脸的位置并确定尺寸，强分类器H(x)：

H(x)=1Σt=1Tαtht(x)≥1/2Σt=1Tαt0othersαt=log1/βt=log1-ξtξt]]>

其中h_t为训练时具有最小误差率ξ_t的弱分类器；

步骤2、人脸区域预处理；

2-1.把检测出的人脸区域进行感兴趣区域ROI裁剪出来，然后对图像作像素尺寸归一化处理：将图片缩小/放大到某一合适的像素尺寸；

2-2.对归一化处理后的图像作直方图均衡化处理来增强图像对比度；对于离散图像，均衡化公式为：Pr(r_k)＝r_k/N,0≤r_k＜1；k＝0,1,...,L-1，其中N是像素的总数数，k为灰度级总数，对于8位的灰度图像k取2⁸＝256，r_k为第k个灰度级值；均衡化变换函数为：

其中n_j是灰度值为j的总像素数；

步骤3、人脸表情图像特征提取；

3-1.给定训练样本：X＝[x₁,x₂,...,x_N],即ELM-AE的输入和输出矩阵；

3-2.随机生成隐层输入权值矩阵a＝[a₁,...,a_L]和正交化偏置向量矩阵b＝[b₁,...,b_L]，将输入数据映射到相同或者不同的数据维度空间：h＝g(ax+b)a^Ta＝I,b^Tb＝1其中：g()表示激活函数；

3-3.求解ELM-AE的输出权值矩阵β；

假设输入输出层神经元数量为d,隐含层神经元数量为L；

若d＜L或d＞L,即对于稀疏及压缩的特征表达，

若d＝L，即对于等维度的特征映射，β＝H^-1Xβ^Tβ＝I

其中：H＝[h₁,...,h_N]表示ELM-AE的隐含层输出矩阵；

3-4.向训练好的ELM-AE系统输入预处理后的人脸表情图像，得到的隐含层输出矩阵向量H即为整幅人脸图像的纹理特征向量；

步骤4、构建人脸表情分类器；

4-1.给定训练样本：{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,2,...N}，隐层输出函数g(w,b,x)，隐层节点数L和测试样本y；

4-2.随机生成隐层节点参数(w_i,b_i),i＝1,2,...,L；

4-3.计算出隐层节点输出矩阵H(w₁,…w_L,x₁,…,x_N,b₁,…b_L)，且

H(w1,...wL,x1,...,xN,b1,...bL)=g(w1·x1+b1)...g(wL·x1+bL).........g(w1·xn+b1)...g(wL·xN+bL)]]>

确保H列满秩，其中w是连接隐层节点和输入神经元的输入权重，x是训练样本输入，N是训练样本个数，b_i是第i个隐层节点的偏差，g()表示激活函数；

4-4.计算出最优外权β：β＝H⁺T；

4-5.计算测试样本y对应的输出o＝H(w₁,…w_L,x₁,…,x_N,b₁,…b_L)β；

4-6.对测试样本进行表情识别分类，对ELM输出向量ο中最大值对应的类别即为该人脸的情绪；即