專(zhuān)利名稱(chēng)：基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法
技術(shù)領(lǐng)域：
本發(fā)明公開(kāi)了基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法，屬于圖像處理的技術(shù)領(lǐng)域。
背景技術(shù)：
采用基于圖像稀疏表達(dá)的方式來(lái)提高面部圖像的表情識(shí)別性能是當(dāng)前面部表情識(shí)別鄰域中新的研究方向。在通常情況下，從攝像機(jī)獲取的人臉圖像往往受到光照、圖像噪聲等多種因素的影響，使得表情識(shí)別的準(zhǔn)確性和魯棒性受到影響。一方面，光照和噪聲的存在使得同一類(lèi)表情圖像的存在很大的差異性，增加了表情特征提取的難度。另一方面，從表情識(shí)別角度看，人臉的身份信息變成影響表情識(shí)別準(zhǔn)確性的障礙。由此可見(jiàn)，在表情識(shí)別中去除圖像的噪聲部分，并著重提取與表情相關(guān)的信息而盡量去除與人臉身份相關(guān)的信息，是提高表情識(shí)別性能的重要方法。
目前，面部表情識(shí)別方法可以大致劃分為兩種類(lèi)型，即基于分類(lèi)器的表情識(shí)別方法和基于回歸分析的表情識(shí)別方法。前一種方法需要在表情識(shí)別之前先確定某一分類(lèi)器，然后基于該分類(lèi)器將面部表情圖像劃分到六種基本情緒(高興、悲傷、生氣、空間、驚訝、厭惡)中的某一種。與前一種方法不同，基于回歸分析的方法則先建立表情特征和情感語(yǔ)義特征之間的回歸方程，然后直接運(yùn)用該回歸方程實(shí)現(xiàn)對(duì)表情語(yǔ)義特征的預(yù)測(cè)，從而實(shí)現(xiàn)對(duì)表情圖像的識(shí)別。另外，同基于分類(lèi)器的表情識(shí)別方法相比，基于回歸分析方法的一個(gè)優(yōu)點(diǎn)是它不僅能有效進(jìn)行表情的分類(lèi)，而且還可以識(shí)別出每種情感語(yǔ)義信息的量化大小。在基于回歸分析的表情識(shí)別方法研究中，基于典型相關(guān)分析的方法是目前較流行的一種方法，在表情識(shí)別中得到重要應(yīng)用。在本發(fā)明之前，基于典型相關(guān)分析的表情回歸方法是把提取的表情圖像特征直接應(yīng)用于情感語(yǔ)義信息的回歸計(jì)算，沒(méi)有考慮圖像中的噪聲影響以及所提取的表情特征之間存在的冗余等問(wèn)題。另外，回歸方程中所得到的情感語(yǔ)義特征沒(méi)有量化約束，缺乏稀疏性，使得相互矛盾的兩種情緒(比如快樂(lè)和悲傷)同時(shí)存在，缺乏情感語(yǔ)義信息的可解釋性。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)上述背景技術(shù)的不足，提供了基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法。本發(fā)明為實(shí)現(xiàn)上述發(fā)明目的采用如下技術(shù)方案基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法，包括如下步驟步驟1，從訓(xùn)練人臉表情圖像樣本集中提取表情特征矢量集、情感語(yǔ)義特征矢量集;步驟2，利用譜稀疏典型相關(guān)分析方法得到投影方向矩陣，將表情特征矢量集和情感語(yǔ)義特征矢量集按照投影方向矩陣投影得到表情投影矢量集、情感語(yǔ)義投影矢量集；步驟3，計(jì)算最佳變換矩陣，所述最佳變換矩陣使得表情投影矢量集按照最佳變換矩陣變換后與情感語(yǔ)義投影矢量集的均方誤差最?。徊襟E4，對(duì)于待測(cè)試人臉表情圖像進(jìn)行特征提取，獲得待識(shí)別人臉表情圖像的Gabor表情特征矢量、情感語(yǔ)義特征矢量,將所述Gabor表情特征矢量、情感語(yǔ)義特征矢量按照步驟I至步驟3所述的訓(xùn)練人臉表情圖像樣本集的線(xiàn)性關(guān)系變換，得到識(shí)別結(jié)果。所述基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法中，步驟I的具體實(shí)施如下步驟1-1計(jì)算表情特征矢量集的協(xié)方差矩陣，對(duì)協(xié)防差矩陣進(jìn)行奇異值分解得到白化矩陣；步驟1-2，用白化矩陣白化處理表情特征矢量集，利用模糊K近鄰算法計(jì)算白化處理后的表情特征矢量集得到情感語(yǔ)義特征矢量集。所述基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法中，步驟2中利用譜稀疏 典型相關(guān)分析方法得到投影方向矩陣的具體實(shí)施如下步驟a，給表情特征矢量加LI正則項(xiàng)，采用方向交錯(cuò)優(yōu)化法求解表情特征矢量集的稀疏變換矩陣；步驟b，對(duì)表情特征矢量集的稀疏變換矩陣進(jìn)行奇異值分解，取訓(xùn)練人臉表情圖像樣本集平均錯(cuò)誤率最小時(shí)對(duì)應(yīng)的LI正則項(xiàng)參數(shù)為最佳投影參數(shù)；步驟C，確定閾值，利用典型相關(guān)分析方法得到投影方向矩陣。本發(fā)明采用上述技術(shù)方案，具有以下有益效果本發(fā)明的優(yōu)點(diǎn)和效果是通過(guò)將稀疏表達(dá)方法結(jié)合到CCA方法的譜選擇中，有效去除表情圖像中的噪聲干擾以及獲取與情感信息相關(guān)的特征部分，有助于提高表情識(shí)別的準(zhǔn)確性，實(shí)現(xiàn)對(duì)人臉圖像的噪聲過(guò)濾、人臉身份信息過(guò)濾，從而得到識(shí)別率更高、魯棒性更好的表情識(shí)別效果。


圖I為在每幅樣本表情圖像上提取34個(gè)基準(zhǔn)點(diǎn)的位置。圖2為日本女性人臉表情庫(kù)中部分人臉表情圖。圖3為不同參數(shù)\取值下在訓(xùn)練樣本數(shù)據(jù)集上取得的平均錯(cuò)誤率。圖4為不同稀疏性條件下得到的識(shí)別結(jié)果比較。
具體實(shí)施例方式下面結(jié)合附圖對(duì)發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法，其特征在于包括如下步驟步驟1，對(duì)訓(xùn)練人臉表情圖像樣本集，提取Gabor表情特征矢量集F和情感語(yǔ)義特征矢量集Y。(I)如圖I所示，首先在每幅人臉圖像上定位出34個(gè)幾何特征點(diǎn)，這些特征點(diǎn)的位置參照MPEG-4的動(dòng)畫(huà)參數(shù)來(lái)確定，主要特點(diǎn)是能反映人臉的表情變換特性；(2)將每幅表情圖像分別與30個(gè)二維Gabor小波(對(duì)應(yīng)于5個(gè)尺度和6個(gè)旋轉(zhuǎn)方向)進(jìn)行卷積，并取34個(gè)幾何特征點(diǎn)位置處的卷積結(jié)果的幅度值作為表情特征。二維Gabor小波函數(shù)定義為表達(dá)式(I)
權(quán)利要求
1.基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法，其特征在于包括如下步驟 步驟1，從訓(xùn)練人臉表情圖像樣本集中提取表情特征矢量集、情感語(yǔ)義特征矢量集； 步驟2，利用譜稀疏典型相關(guān)分析方法得到投影方向矩陣，將表情特征矢量集和情感語(yǔ)義特征矢量集按照投影方向矩陣投影得到表情投影矢量集、情感語(yǔ)義投影矢量集； 步驟3，計(jì)算最佳變換矩陣，所述最佳變換矩陣使得表情投影矢量集按照最佳變換矩陣變換后與情感語(yǔ)義投影矢量集的均方誤差最??； 步驟4，對(duì)于待測(cè)試人臉表情圖像進(jìn)行特征提取，獲得待識(shí)別人臉表情圖像的Gabor表情特征矢量、情感語(yǔ)義特征矢量，將所述Gabor表情特征矢量、情感語(yǔ)義特征矢量按照步驟I至步驟3所述的訓(xùn)練人臉表情圖像樣本集的線(xiàn)性關(guān)系變換，得到識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求I所述的基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法，其特征在于所述步驟I的具體實(shí)施如下 步驟1-1計(jì)算表情特征矢量集的協(xié)方差矩陣，對(duì)協(xié)防差矩陣進(jìn)行奇異值分解得到白化矩陣； 步驟1-2，用白化矩陣白化處理表情特征矢量集，利用模糊K近鄰算法計(jì)算白化處理后的表情特征矢量集得到情感語(yǔ)義特征矢量集。
3.根據(jù)權(quán)利要求I所述的基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法，其特征在于步驟2中利用譜稀疏典型相關(guān)分析方法得到投影方向矩陣的具體實(shí)施如下步驟 步驟a，給表情特征矢量加LI正則項(xiàng)，采用方向交錯(cuò)優(yōu)化法求解表情特征矢量集的稀疏變換矩陣； 步驟b，對(duì)表情特征矢量集的稀疏變換矩陣進(jìn)行奇異值分解，取訓(xùn)練人臉表情圖像樣本集平均錯(cuò)誤率最小時(shí)對(duì)應(yīng)的LI正則項(xiàng)參數(shù)為最佳投影參數(shù)； 步驟c，確定閾值，利用典型相關(guān)分析方法得到投影方向矩陣。
全文摘要
本發(fā)明公開(kāi)了基于譜稀疏典型相關(guān)分析的表情語(yǔ)義稀疏量化方法，屬于圖像處理的技術(shù)領(lǐng)域。本發(fā)明通過(guò)在典型相關(guān)分析中引入表情圖像特征矩陣的譜分解表示方法，將典型相關(guān)分析與表情圖像特征矩陣的譜稀疏選擇相結(jié)合；通過(guò)采用方向交錯(cuò)優(yōu)化法確定最佳投影參數(shù)以及最佳變換矩陣；在提取待測(cè)人臉圖像表情語(yǔ)義特征向量時(shí)，通過(guò)在最小二乘回歸方法中增加L1范式的稀疏懲罰項(xiàng)，實(shí)現(xiàn)對(duì)待測(cè)表情圖像的表情語(yǔ)義信息的稀疏量化評(píng)估。本發(fā)明具有識(shí)別率更高、魯棒性更好的表情識(shí)別效果。
文檔編號(hào)G06K9/00GK102779271SQ20121021821
公開(kāi)日2012年11月14日 申請(qǐng)日期2012年6月28日 優(yōu)先權(quán)日2012年6月28日
發(fā)明者周曉彥, 鄭文明 申請(qǐng)人:南京信息工程大學(xué)