[发明专利]一种融合DLDP与sobel的表情特征提取方法

说明书

本发明请求保护一种融合DLDP与sobel的表情特征提取方法，该方法将Kirsch算子的8个方向掩模分成两个子方向掩模再分别计算边缘响应值，获得两个编码(DLDP1和DLDP2)，级联两个编码的直方图得到表情特征DLDP。为了增强局部特征得到更加有用的信息，将DLDP与sobel算子进行融合得到特征Sobel‑DLDP。在JAFFE和Cohn‑Kanade人脸表情数据库上的实验表明，该方法与其它基于局部纹理的特征提取算法相比，不仅缩短了特征提取的运算时间，而且提高了识别率。

技术领域

本发明属于图像处理与模式识别领域，特别是一种融合DLDP与sobel的表情特征提取方法。

背景技术

人脸表情识别用于分析人类的一些情感和意图，在人机交互、计算机视觉、人类心理学理论和情绪模拟研究等领域都有重要的应用。提取有效的表情特征是人脸表情识别中的关键步骤，它直接影响表情分类的识别率。表情特征提取方法分为基于全局特征和基于局部纹理特征的提取方法。相较于全局特征提取，基于局部的特征提取方法对光照、姿势等变化的鲁棒性更好。LBP由于其原理简单，计算复杂度低，广泛的应用于图像识别、目标检测和跟踪等领域。LBP对一致光照变化不敏感，但对融入非一致光照变化和随机噪声的图像表示效果不理想，影响最佳的图像识别正确率。为此，2010年Jabid等人提出了一种对噪声更具鲁棒性的局部方向模式(LDP)人脸描述方法。2013年，RiveraAR等人利用8方向的边缘响应值中正负方向响应值最大的2方向的数据进行编码，增强区分度从而提高识别率。2015年RiveraAR等人通过将图像的方向信息和第一第二大的强度信息结合起来进行编码来提高识别率。2016年，R.Srinivasa Perumal等人通过对在单个分块中获得的LDP码进行X-ORing来计算每个块的单个码，生成用于高效面部识别的紧凑代码DR-LDP，识别率得到了提高。但是以上研究都是致力于提高识别率，未考虑计算8个方向的边缘响应，同时还要对所得到的8个边缘响应取绝对值再统一排序，导致整个表情特征提取过程比较耗时。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种缩短特征提取的时间并提高识别率的融合DLDP与sobel的表情特征提取方法。本发明的技术方案如下：

一种融合DLDP与sobel的表情特征提取方法，其包括以下步骤：

S1、将人脸表情图像与sobel(索贝尔算子)进行卷积，得到人脸表情图像的边缘特征信息；

S2、将S1得到的图像划分成不重叠的M×N个子区域；

S3、令人脸面部图像的任意像素点X作为中心点与其领域8个像素点构成一个正方形，根据Kirsch算子的8方向掩模，以正方形的四个角作为第一子方向掩模，以正方形的边上四个中点作为第二子方向掩模，分别通过第一子方向掩模及第二子方向掩模与8个领域像素值卷积计算四个角和上下左右方向的边缘响应值；

S4、将排名前3的边缘响应值所在的位置设为1，其他位置设为0，根据图像在4个方向的响应符号直接进行二值编码，构造图像局部描述子，得到DLDP1和DLDP2编码；

S5、通过DLDP1和DLDP2得到DLDP编码梯度值的直方图，级联M×N个子区域的直方图，得到人脸表情图像的特征信息，再通过分类器得到融合DLDP与sobel的表情特征提取方法的识别率。

进一步的，所述步骤S1将人脸表情图像与sobel算子进行卷积，得到人脸表情图像的边缘特征，具体包括步骤：

sobel算子与人脸表情图像卷积以得到水平和垂直滤波结果：

通过将I^x和I^y组合以求出边缘特征：