[发明专利]基于韦伯多方向描述子的人脸表情识别特征提取方法

说明书

本发明涉及一种基于韦伯多方向描述子的人脸表情识别特征提取方法，其主要技术特点是：将人脸表情图像进行Gabor小波变换,并将同一尺度各方向的Gabor特征进行融合；将Gabor特征图像分为不重叠的子块，并分别在水平、垂直、两个对角线方向上构建图结构；计算图结构在0°、45°、90°、135°方向上的特征值，取四个特征值中最大的一个作为韦伯多方向描述子的差分激励；分别计算中心像素在两个相互垂直方向上的梯度方向，并把两者中较大的梯度方向作为韦伯多方向描述子的主方向。本发明设计合理，能提取到更多有效、更具鉴别力的纹理细节特征，显著提高了人脸表情识别率，并且具有较好的识别稳定性及泛化能力，可广泛应用于人脸表情识别等图像处理领域。

技术领域

本发明属于图像处理领域，尤其是一种基于韦伯多方向描述子的人脸表情识别特征提取方法(WOD-GS)。

背景技术

人脸表情包含着丰富且复杂的情感信息，在人际交往和互动中扮演着重要角色。近年来，随着人工智能的发展，人脸表情识别在情感计算领域中已经成为一个研究热点。

特征提取算法在人脸表情识别系统中起着至关重要的作用。现有的人脸表情特征提取方法可以划分为四种类型：第一种方法是采用几何特征进行特征提取，测量眼睛、眉毛、嘴巴等显著性变化部位的位置、距离、形状变化及相互比例等几何特征进行表情识别，然而该方法丢失了一些重要的识别和信息，识别结果的精确性不高。第二种方法是基于整体统计特征的方法，主要包括主成分分析(PCA)、线性判别分析(LDA)、局部保持投影(LPP)等，该方法直接利用整个图像的内在属性信息，通过编码成更低维或子空间信息来计算图像间的相似性，由于忽略了大量的细节信息，外界因素的干扰导致识别率严重下降。第三种方法是基于频率域特征提取，其中Gabor小波变换是其中具有代表性的一种方法，该方法首先把图像的空间域特征转化为频率域特征，再提取相关低层次的特征，然而经过Gabor小波多尺度多方向的变换，特征矩阵维度很高，特征提取算法的时间复杂度很高，造成识别效率较低。第四种方法主要是利用光流法并通过建立光流模型来表示图像中人脸部位的结构及运动信息，然而该方法的计算量特别大，限制了它的进一步应用。

最近，韦伯局部描述子(WLD)和局部图结构(LGS)特征提取算法具有简单和高效性特点，已经成为一个研究热点。2010年，陈杰等人受到韦伯定律的启发，提出了韦伯局部描述子(WLD)，WLD用局部刺激比率大小及梯度方向两部分来描述图像纹理细节，然而，其存在的缺点是：计算差励时仅仅考虑中心像素与周围像素的对比度信息，忽视了周围像素间具有的内在关系。之后有学者分别从不同角度对WLD算法进行改进，但是这些算法仅计算水平、垂直方向的梯度信息，图像的空间结构信息没有得到充分利用。2011年，Abusham等人将图结构思想用于特征提取，在4×3的邻域内通过构建图结构(LGS)来提取图像特征，该方法的缺点是位于目标像素两边的像素点个数不同，算法不具有对称性。2014年，Mohd等人提出了对称图结构(SLGS)算法，在一定程度上弥补了原始LGS算法的不足，但是，以上图结构算法仍然缺少梯度方向信息。

综上所述，现有的人脸表情局部特征提取算法在表征人脸特征方面在识别率方面还有待提高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于韦伯多方向描述子的人脸表情识别特征提取方法，能够在人脸表情识别的过程中，尽量准确地描述人脸特征，从而提高识别率。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于韦伯多方向描述子的人脸表情识别特征提取方法，包括以下步骤：

步骤1：将人脸表情图像进行Gabor小波变换,并将同一尺度各方向的Gabor特征进行融合；

步骤2：将一副人脸表情Gabor特征图像分为不重叠的子块，在每个子块上采用5×5的窗口，并分别在水平、垂直、两个对角线方向上构建图结构；