[发明专利]一种用于人脸非标准姿态下的面部表情识别方法

权利要求书

1.一种用于人脸非标准姿态下的面部表情识别方法，其特征在于，包括以下步骤：

11)训练图像的收集和预处理，收集高兴、发怒、伤心、惊讶、厌恶、恐惧、中性7种表情样本，7种表情样本均为非标准姿态下的面部表情，每类表情样本不少于100张作为训练图像，对所有训练图像均进行直方图均衡化和归一化处理；

12)分类模型的构造，提取7种表情空间信息特征，构造出基于空间信息特征的分类模型；所述的分类模型的构造包括以下步骤：

121)7种表情训练样本图像向量化：

其中,F表示7种表情训练集空间信息特征，F_ij表示第i种表情、第j张图像的特征向量，其中i＝1,2…,7；j＝j＝1,2…,n；共有n张训练集；

122)将表情空间特征进行向量化处理，向量的方向代表面部表情的空间信息，向量的长度代表表情的类别概率；

所述的将表情空间特征进行向量化处理包括以下步骤：

1221)将包含表情空间特征的第i幅图片转化为维数为w×h的向量s_i，

其中，w为图像的宽度，h为图像的高度；

1222)将输入向量s_i缩放尺度归一化，其表达式如下：

其中，V_i表示归一化的第i幅图片的特征向量，sqrt表示开平方函数；

123)计算空间特征网络模型提取层的权值，

将向量化的面部表情特征输入到第一层卷积网络，经过非线性化归整，采用11*11的核函数进行卷积操作；卷积操作后的特征向量输入到第一个具有N个神经元层的空间特征网络中，经过动态路径规划方法迭代后得到N个神经元层的权值，并输出空间特征向量；

124)计算空间特征网络模型分类层的权值，

将空间特征向量输入到空间网络分类层，具有7个神经元层的空间特征网络，通过计算每个神经元层的损失函数得到各个神经元层的权值，进而得到分类模型；

13)对待测图像进行收集和预处理，收集采集设备拍摄的非常标准姿态下的待识别面部表情，并对待测的图片进行直方图均衡化、归一化处理，生成测试样本；

14)面部表情的识别，将预处理后的测试样本输入到空间特征网络模型中，进行面部表情的自动识别。

2.根据权利要求1所述的一种用于人脸非标准姿态下的面部表情识别方法，其特征在于，所述的计算空间特征网络模型提取层的权值包括以下步骤：

21)计算第i层到j层的相关系数：

其中，a_ij表示从第i层到j层的常数，初始值为0；a_ij会随着权值迭代更新而变化，a_ik表示从第i层到k层的常数；sofmax(·)表示softmax函数；k表示第k层网络,d表示偏置；

22)计算从第i层到j层的预测向量

其中，表示从第i层到j层的预测向量；w_ij表示第i层到j层的权值；v_i表示输入的归一化的向量；

23)计算j层的激活向量s_j：

其中表示从第i层到j层的预测向量；cov_ij表示第i层到j层的相关系数；表示从第i层到j层的预测向量；

24)计算j层的归一化向量：

其中s_j表示激活向量；

25)重复步骤21到24)不断调整a_ij，c_ij，w_ij值，直至W_ij收敛为止。

3.根据权利要求1所述的一种用于人脸非标准姿态下的面部表情识别方法，其特征在于，所述的计算空间特征网络模型分类层的权值包括以下步骤：

31)计算预测值与真实值的误差：

其中，E_loss表示预测值与真实值误差；Fⁱ表示第i副图片的真实值，W_i表示第i副图像的分类权值，Vⁱ表示特征向量，N表示训练的总图像数；

32)不断变化W_i值使E_loss值达到0.01，计算出来的W_i即为分类层的权值。