[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

说明书

本发明涉及一种用于人脸非标准姿态下的面部表情识别方法，与现有技术相比解决了无法在面部表情信息不全面的条件下进行表情识别的缺陷。本发明包括以下步骤：训练图像的收集和预处理；分类模型的构造；对待测图像进行收集和预处理；面部表情的识别。本发明基于预测分析技术在面部表情信息不全面的条件下预测出面部表情，以实现针对不同角度的人脸进行表情识别。

技术领域

本发明涉及图像识别技术领域，具体来说是一种用于人脸非标准姿态下的面部表情识别方法。

背景技术

计算机视觉技术与模式识别技术是计算机根据人类面部表情的判断做出相应的解决方法，更成为了众多科学家的研究重点。在医疗方面，如果计算机可以有效的分析病人表情功能就可以根据患者的表情变化来安慰患者或者进行进一步的治疗，在心理上和生理上减轻他们的痛苦。在生活中，如果计算机可以有效地对抑郁症孩子的喜怒哀乐进行有效的识别可以大大缓解家庭心理负担。

现有技术中，面部表情识别基于整个人脸在标准拍摄状态下的判断才能实现。在实际应用中，要求被识别者整个面部要全部朝向摄像装置，以获取整个面部信息。但面部识别在医疗领域的应用中，难以实现被识别者的面部信息全面获取。虽有部分技术人员也提出，可以基于预测分析技术，在获取部分面部信息的条件下预测出面部表情，但其只停留在理论阶段，而且预测准确率非常低。

因此，如何能够针对人脸非标准姿态下进行面部表情识别已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中无法在面部表情信息不全面的条件下进行表情识别的缺陷，提供一种用于人脸非标准姿态下的面部表情识别方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种用于人脸非标准姿态下的面部表情识别方法，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；

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。

所述的训练模型的构造包括以下步骤：

21)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；

22)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；

23)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；

24)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。