[发明专利]基于ROI-KNN卷积神经网络的面部表情识别方法

权利要求书

1.基于ROI-KNN卷积神经网络的面部表情识别方法，其特征在于，该方法包括以下步骤：

S1、获取驾驶过程中的驾驶员的视频影像数据；

S2、对所述视频影像数据进行人脸定位，提取人脸特征区域；

S3、按预设时间间隔截取所述人脸特征区域的视频帧作为面部图像数据；

S4、对所述面部图像数据进行增强校正，得到面部表情图像；

S5、将所述面部表情图像输入训练后的深度卷积神经网络模型，得到驾驶员面部表情识别结果；

S6、输出所述驾驶员面部表情识别结果。

2.根据权利要求1所述的基于ROI-KNN卷积神经网络的面部表情识别方法，其特征在于，所述对所述视频影像数据进行人脸定位，提取人脸特征区域，包括以下步骤：

S21、将所述视频影像数据中驾驶员发生移动的头部作为运动目标，并利用特征对象法对所述运动目标进行检测与分割；

S22、利用双阈值算法提取所述运动目标的边缘图像；

S23、利用平方投影函数计算所述边缘图像的投影函数；

S24、检测所述投影函数中灰度变化率最高的区域作为人脸区域，并进行分割得到人脸特征区域。

3.根据权利要求2所述的基于ROI-KNN卷积神经网络的面部表情识别方法，其特征在于，所述利用平方投影函数计算所述边缘图像的投影，运算表达式包括：

其中，F(x，y)表示边缘图像像素点坐标函数；

(x，y)表示边缘图像中像素点坐标；

表示边缘图像灰度区域的垂直平方投影；

表示边缘图像灰度区域的水平平方投影；

表示垂直积分投影，其关系式为；

表示水平积分投影，其关系式为；

i表示边缘图像中第i个像素点；

y₁与y₂分别表示垂直平方投影的首尾纵坐标；

x₁与x₂分别表示水平平方投影的首尾横坐标；

x_i表示第i个像素点的横坐标；

y_i表示第i个像素点的纵坐标。

4.根据权利要求1所述的基于ROI-KNN卷积神经网络的面部表情识别方法，其特征在于，所述对所述面部图像数据进行增强校正，得到面部表情图像，包括以下步骤：

S41、采用各向异性扩散滤波器对所述面部图像数据进行增强；

S42、对增强后所述面部图像数据进行二值化处理；

S43、利用圆形模板对所述面部图像数据进行扫描，左右对称的寻找最大单一灰度级区域，并取中心点坐标作为近似位置，实现眼睛捕捉粗定位；

S44、在左右两个所述近似位置坐标邻域内进行圆霍夫变换，寻找圆心位置，并将两个圆心位置的坐标分别作为左右眼睛中心位置；

S45、计算左右眼睛中心位置间的夹角，利用线性插值法将所述面部图像数据进行旋转，得到面部表情图像。

5.根据权利要求4所述的基于ROI-KNN卷积神经网络的面部表情识别方法，其特征在于，所述采用各向异性扩散滤波器对所述面部图像数据进行增强的运算表达式为：

其中，表示（m，n）位置上第t次迭代的像素值；

表示d方向上的扩散系数；

表示迭代操作的步长；

表示方向d上的梯度值；

D表示计算梯度时所选取的方向向量

t表示迭代次数；

d表示D的子集。

6.根据权利要求4所述的基于ROI-KNN卷积神经网络的面部表情识别方法，其特征在于，所述计算左右眼睛中心位置间的夹角的计算表达式为：

其中，表示左右眼睛中心位置之间的水平夹角；

tg表示正切运算符；

表示右眼的中心位置坐标；

表示左眼的中心位置坐标。