人臉表情識別的方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及人臉識別領(lǐng)域，特別是指一種人臉表情識別的方法和裝置。
【背景技術(shù)】
[0002] 人臉表情是人類用以表達情感，傳遞內(nèi)心世界和態(tài)度的重要途經(jīng)，人們可以運用 表情表達自己的情緒。人們之間的信息傳遞7%源于詞語，38%源于聲音，而55%依賴于面 部表情。這表明，面部表情在人們的交際中起著重要的作用。
[0003] 人臉表情識別就是研究如何使計算機從靜態(tài)圖像或者視頻序列中獲取人臉表情 并加以辨別的技術(shù)。如果計算機可以獲取并且理解人臉表情，那么將在很大程度上改變?nèi)?與計算機之間的關(guān)系，從而達到更好的人機交互效果。另外，人臉表情識別是一個典型的圖 像模式分析問題，涉及圖像處理、模式識別、機器學習等多個交叉學科。人臉表情識別的深 入研究，可以極大地促進這些學科的發(fā)展，通過識別出人的表情，進而可以分析人的精神狀 態(tài)和心理活動。
[0004] 人臉表情識別方法主要包括表情特征提取和表情特征分類兩個部分?，F(xiàn)有的表情 特征提取方法主要有：基于灰度特征分布的方法、基于頻率特征提取方法和基于運動特征 的方法等。現(xiàn)有的表情特征分類主要有線性分類器、人工神經(jīng)網(wǎng)絡分類器、支持向量機分類 器和隱馬爾科夫模型等。
[0005] 現(xiàn)有的人臉表情識別方法普遍存在復雜度高，識別準確率低，識別速度慢的缺點。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供一種人臉表情識別的方法和裝置，該方法簡單方便，識別準確率高，識 別速度快。
[0007] 為解決上述技術(shù)問題，本發(fā)明提供技術(shù)方案如下：
[0008] -種人臉表情識別的方法，包括：
[0009] 使用Gabor濾波器對待識別人臉表情圖像進行濾波，得到待識別人臉表情圖像的 Gabor特征；
[0010] 選取若干個采樣點，將采樣點的Gabor特征組合成聯(lián)合特征向量；
[0011] 通過PCA算法使用線性變換矩陣對所述聯(lián)合特征向量進行降維，得到低維Gabor 特征向量；
[0012] 通過SRC算法對所述低維Gabor特征向量進行分類，完成人臉表情識別。
[0013] -種人臉表情識別的裝置，包括：
[0014] 濾波模塊，用于使用Gabor濾波器對待識別人臉表情圖像進行濾波，得到待識別 人臉表情圖像的Gabor特征；
[0015] 采樣模塊，用于選取若干個采樣點，將采樣點的Gabor特征組合成聯(lián)合特征向量；
[0016] 降維模塊，用于通過PCA算法使用線性變換矩陣對所述聯(lián)合特征向量進行降維， 得到低維Gabor特征向量；
[0017] 分類模塊，用于通過SRC算法對所述低維Gabor特征向量進行分類，完成人臉表情 識別。
[0018] 本發(fā)明具有以下有益效果：
[0019] 本發(fā)明中，首先使用Gabor濾波器對待識別人臉表情圖像進行濾波，得到每個像 素點的Gabor特征；然后選取若干個采樣點，將其Gabor特征組合成聯(lián)合特征向量；再通過 PCA算法對聯(lián)合特征向量進行降維，得到低維Gabor特征向量；最后通過SRC算法對得到的 低維Gabor特征向量進行分類，完成人臉表情識別。
[0020] 與現(xiàn)有技術(shù)相比，本發(fā)明使用Gabor濾波器提取特征，使用SRC算法進行分類識 另IJ，識別精度高，經(jīng)測試，在JAFFE數(shù)據(jù)庫上，取得了 97. 68%的識別正確率。
[0021] 本發(fā)明僅使用采樣點的Gabor特征，剔除了冗余信息，減少了運算量，提高了識別 速度；并且本發(fā)明通過PCA算法對聯(lián)合特征向量進行降維，簡單方便，進一步減少了運算 量，提高了識別速度。
[0022] 故本發(fā)明的人臉表情識別的方法簡單方便，識別準確率高，識別速度快。
【附圖說明】
[0023] 圖1為本發(fā)明的人臉表情識別的方法流程圖；
[0024] 圖2為本發(fā)明的人臉表情識別的裝置示意圖；
[0025] 圖3為本發(fā)明的人臉表情識別的方法的一個實施例的流程圖；
[0026] 圖4為本發(fā)明中經(jīng)過預處理的人臉表情圖像的示例圖；
[0027] 圖5為本發(fā)明中采樣點在人臉表情圖像上的分布示意圖。
【具體實施方式】
[0028] 為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具 體實施例進行詳細描述。
[0029] -方面，本發(fā)明提供一種人臉表情識別的方法，如圖1所示，包括：
[0030] 步驟SlOl :使用Gabor濾波器對待識別人臉表情圖像進行濾波，得到待識別人臉 表情圖像的Gabor特征；
[0031] 本發(fā)明選擇不同方向，不同尺度的多個Gabor濾波器對圖像進行濾波，所謂的尺 度是表示Gabor濾波器的中心頻率的物理量，尺度與中心頻率成反比。
[0032] 步驟S102 :選取若干個采樣點，將采樣點的Gabor特征組合成聯(lián)合特征向量；
[0033] Gabor特征維數(shù)很高，而相鄰像素的Gabor特征相關(guān)度較高、信息冗余大，故只需 稀疏的提取部分采樣點上的Gabor特征即可，可以在人臉表情圖像上均勻的選取若干行和 若干列的采樣點，采樣點的選取可以根據(jù)實際情況（如人臉表情圖像的大小、要求達到的 識別精度等）確定。
[0034] 步驟S103:通過PCA算法使用線性變換矩陣對聯(lián)合特征向量進行降維，得到低維 Gabor特征向量；
[0035] 采樣后的聯(lián)合特征列向量仍然是高維特征，則需要通過組合特征來降低維數(shù)，利 用PCA (主成分分析）算法對采樣后的聯(lián)合特征列向量進行降維，線性變換矩陣是預先訓練 得到的降維矩陣。
[0036] 步驟S104 :通過SRC算法對低維Gabor特征向量進行分類，完成人臉表情識別；使 用SRC (基于稀疏表示的分類方法）進行分類。
[0037] 本發(fā)明中，首先使用Gabor濾波器對待識別人臉表情圖像進行濾波，得到每個像 素點的Gabor特征；然后選取若干個采樣點，將其Gabor特征組合成聯(lián)合特征向量；再通過 PCA算法對聯(lián)合特征向量進行降維，得到低維Gabor特征向量；最后通過SRC算法對得到的 低維Gabor特征向量進行分類，完成人臉表情識別。
[0038] 與現(xiàn)有技術(shù)相比，本發(fā)明使用Gabor濾波器提取特征，使用SRC算法進行分類識 另Ij，識別準確率高，經(jīng)測試，在JAFFE數(shù)據(jù)庫上，取得了 97. 68%的識別正確率。
[0039] 本發(fā)明僅使用采樣點的Gabor特征，剔除了冗余信息，減少了運算量，提高了識別 速度；并且本發(fā)明通過PCA算法對聯(lián)合特征向量進行降維，簡單方便，進一步減少了運算 量，提高了識別速度。
[0040] 故本發(fā)明的人臉表情識別的方法簡單方便，識別準確率高，識別速度快。
[0041] 作為本發(fā)明的人臉表情識別的方法的一種改進，使用Gabor濾波器對待識別人臉 表情圖像進行濾波，得到待識別人臉表情圖像的Gabor特征（步驟S101)之前還需要對待 識別人臉表情圖像進行預處理，預處理可以包括：
[0042] 步驟SlOOl :對待識別人臉表情圖像進行光照處理和灰度歸一化處理；
[0043] 為減少光照噪聲等因素對人臉檢測和特征點定位的精度影響，首先對待識別人臉 表情圖像進行光照處理和灰度歸一化處理，通過直方圖均衡化及濾波等圖像處理技術(shù)提高 圖像質(zhì)量。
[0044] 步驟S1002 :通過Adaboost算法對光照處理后的人臉表情圖像進行檢測，定位人 臉的位置；
[0045] 步驟S1003 :通過主動形狀模型算法在人臉上定位特征點，特征點包括眼睛；<