[发明专利]一种基于动态人脸表情序列和K阶情感强度模型的特征表示方法

摘要

本发明公开了一种基于动态人脸表情序列和K阶情感强度模型的特征表示方法，其特征包括如下步骤：1、对动态人脸表情序列集合提取Haar特征然后用PCA进行特征降维；2、对降维后的特征矩阵的每一列作为聚类样本进行K-Means聚类，得到每一类中所有特征的均值和方差，构造每一类的正态分布，生成K阶情感强度模型；3、对待提取特征的动态人脸表情序列提取Haar特征然后用PCA进行特征降维。4、将降维后的特征输入到K阶情感强度模型中，得到输出矩阵。5、对输出矩阵编码，编码结果即为待提取特征的动态人脸表情序列的特征表示。本发明能有效降低特征维数和计算复杂度，提高特征提取的实时性。

主权项

一种基于动态人脸表情序列和K阶情感强度模型的特征表示方法，其特征是按如下步骤进行：步骤a、随机选取T个对象的动态人脸表情序列集合S＝{S1,S2,…,St,…,ST}，1≤t≤T；St表示第t个对象的动态人脸表情序列；令所述动态人脸表情序列集合S中所有对象的动态人脸表情序列所包含的总帧数Q＝N1+N2+…+Nt+…+NT；Nt表示第t个对象的动态人脸表情序列所包含的帧数；步骤b、将所述动态人脸表情序列集合S中的每个对象的每一帧人脸表情图像作为训练样本，对所述训练样本进行Haar特征提取，获得训练样本的Haar特征{Ai,z},1≤i≤Q,1≤z≤m；i表示所述动态人脸表情序列集合S中的每个对象的每一帧人脸表情图像的索引，z表示动态人脸表情序列集合S中的每个对象的每一帧人脸表情图像所含Haar特征的索引，m表示动态人脸表情序列集合S中的每个对象的每一帧人脸表情图像所含Haar特征的总数；步骤c、对所述训练样本的Haar特征{Ai,z}进行PCA降维，获得降维后的动态特征{Hi,j}，1≤j≤M；j表示动态人脸表情序列集合S中的每个对象的每一帧人脸表情图像所含降维后的动态特征的索引，M为动态人脸表情序列集合S中的每个对象的每一帧人脸表情图像所含降维后的动态特征的总数；步骤d、对所述降维后的动态特征{Hi,j}利用K‑Means聚类生成K阶情感强度模型K‑EIM；步骤e、假设待提取特征的动态人脸表情序列Starget共有F帧；对所述待提取特征的动态人脸表情序列Starget分别进行Haar特征提取和PCA降维后获得目标动态特征{hf,l}，1≤f≤F，1≤l≤M；f表示所述动态人脸表情序列Starget中每一帧人脸表情图像的索引，l表示所述动态人脸表情序列Starget中每一帧人脸表情图像的目标动态特征的索引，M表示所述动态人脸表情序列Starget中每一帧人脸表情图像所含目标动态特征的总数；步骤f、将目标动态特征{hf,l}中的每个特征元素依次输入到所述K阶情感强度模型K‑EIM中，获得输出矩阵G=G1,1G1,2···G1,l···G1,MG2,1G2,2···G2,l···G2,M··················Gf,1Gf,2···Gf,l···Gf,M··················GF,1GF,2···GF,l···GF,M,]]>Gf,l表示目标动态特征{hf,l}中任意个特征元素输入到所述K阶情感强度模型K‑EIM中所获得的输出集合，且Gf,l＝{gf,1,gf,2,…,gf,k,…,gf,K}，gf,k表示输出集合Gf,l中的任意个输出值；1≤k≤K,K≥2；并有：gf,k=1σj,k2π∫-∞hf,je-(t-μj,k)22σj,k2dt---(2)]]>步骤g、对所述输出矩阵G进行编码，所获得的编码向量即表示为动态人脸表情序列的特征。