[發明專利]一種用于人臉非標準姿態下的面部表情識別方法

有效

• 申請號: 201810865356.X
• 申請日: 2018-08-01
• 公開（公告）號: CN109034079B
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 李瑞;王儒敬;宋全軍;謝成軍;張潔;陳天嬌;陳紅波;胡海瀛
• 申請（專利權）人: 中國科學院合肥物質科學研究院
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/44;G06V10/764;G06K9/62
• 代理公司: 合肥國和專利代理事務所(普通合伙) 34131
• 代理人: 張祥騫

本發明涉及一種用于人臉非標準姿態下的面部表情識別方法，與現有技術相比解決了無法在面部表情信息不全面的條件下進行表情識別的缺陷。本發明包括以下步驟：訓練圖像的收集和預處理；分類模型的構造；對待測圖像進行收集和預處理；面部表情的識別。本發明基于預測分析技術在面部表情信息不全面的條件下預測出面部表情，以實現針對不同角度的人臉進行表情識別。

技術領域

本發明涉及圖像識別技術領域，具體來說是一種用于人臉非標準姿態下的面部表情識別方法。

背景技術

計算機視覺技術與模式識別技術是計算機根據人類面部表情的判斷做出相應的解決方法，更成為了眾多科學家的研究重點。在醫療方面，如果計算機可以有效的分析病人表情功能就可以根據患者的表情變化來安慰患者或者進行進一步的治療，在心理上和生理上減輕他們的痛苦。在生活中，如果計算機可以有效地對抑郁癥孩子的喜怒哀樂進行有效的識別可以大大緩解家庭心理負擔。

現有技術中，面部表情識別基于整個人臉在標準拍攝狀態下的判斷才能實現。在實際應用中，要求被識別者整個面部要全部朝向攝像裝置，以獲取整個面部信息。但面部識別在醫療領域的應用中，難以實現被識別者的面部信息全面獲取。雖有部分技術人員也提出，可以基于預測分析技術，在獲取部分面部信息的條件下預測出面部表情，但其只停留在理論階段，而且預測準確率非常低。

因此，如何能夠針對人臉非標準姿態下進行面部表情識別已經成為急需解決的技術問題。

發明內容

本發明的目的是為了解決現有技術中無法在面部表情信息不全面的條件下進行表情識別的缺陷，提供一種用于人臉非標準姿態下的面部表情識別方法來解決上述問題。

為了實現上述目的，本發明的技術方案如下：

一種用于人臉非標準姿態下的面部表情識別方法，包括以下步驟：

11)訓練圖像的收集和預處理，收集高興、發怒、傷心、驚訝、厭惡、恐懼、中性7種表情樣本，7種表情樣本均為非標準姿態下的面部表情，每類表情樣本不少于100張作為訓練圖像，對所有訓練圖像均進行直方圖均衡化和歸一化處理；

12)分類模型的構造，提取7種表情空間信息特征，構造出基于空間信息特征的分類模型；

13)對待測圖像進行收集和預處理，收集采集設備拍攝的非常標準姿態下的待識別面部表情，并對待測的圖片進行直方圖均衡化、歸一化處理，生成測試樣本；

14)面部表情的識別，將預處理后的測試樣本輸入到空間特征網絡模型中，進行面部表情的自動識別。

所述的訓練模型的構造包括以下步驟：

21)7種表情訓練樣本圖像向量化：

其中,F表示7種表情訓練集空間信息特征，F_ij表示第i種表情、第j張圖像的特征向量，其中i＝1,2…,7；j＝j＝1,2…,n；共有n張訓練集；

22)將表情空間特征進行向量化處理，向量的方向代表面部表情的空間信息，向量的長度代表表情的類別概率；

23)計算空間特征網絡模型提取層的權值，

將向量化的面部表情特征輸入到第一層卷積網絡，經過非線性化歸整，采用11*11的核函數進行卷積操作；卷積操作后的特征向量輸入到第一個具有N個神經元層的空間特征網絡中，經過動態路徑規劃方法迭代后得到N個神經元層的權值，并輸出空間特征向量；

24)計算空間特征網絡模型分類層的權值，

將空間特征向量輸入到空間網絡分類層，具有7個神經元層的空間特征網絡，通過計算每個神經元層的損失函數得到各個神經元層的權值，進而得到分類模型。