[發明專利]一種基于Gabor濾波器的人臉表情識別方法及系統

在審

• 申請號: 201911032232.4
• 申請日: 2019-10-28
• 公開（公告）號: CN110826444A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 鄭龍海
• 申請（專利權）人: 北京影譜科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京萬思博知識產權代理有限公司 11694
• 代理人: 姜楠楠

本申請提供了一種基于Gabor濾波器的人臉表情識別方法及系統，在本申請提供的方法中，先通過視頻采集設備采集用戶圖像，對用戶圖像進行預處理以獲取用戶圖像中的面部區域；再利用Gabor濾波器提取用于進行人臉特征識別的人臉特征圖像；然后將人臉特征圖像輸入預設的人工神經網絡模型，對人臉特征圖像進行表情分類，識別并輸出用戶圖像的人臉表情識別結果。基于本申請提供的基于Gabor濾波器的人臉表情識別方法及系統，提出利用熵、矩、能量、均值、方差和標準差以及神經網絡等統計和空間特征計算人臉表情分類，提高了算法的魯棒性和健壯性，壓縮了算法執行時間。

技術領域

本申請涉及人臉識別技術領域，特別是涉及一種基于Gabor濾波器的人臉表情識別方法及系統。

背景技術

人臉識別(Facial Recognition)，就是通過視頻采集設備獲取用戶的面部圖像，再利用核心的算法對其臉部的五官位置、臉型和角度進行計算分析，進而和自身數據庫里已有的范本進行比對，后判斷出用戶的真實身份。而人臉表情識別是從用戶的面部圖像中分離出特定的表情狀態，從而確定該用戶的心理情緒，該技術主要的應用領域包括人機交互、智能控制、安全、醫療、通信等領域。

目前，深度學習網絡在人臉識別技術上已廣泛應用，其模型具有層次性且參數容量大，能將數據特征更好的展現出來。其中深度學習中CNN在圖像處理上具有空間位置的旋轉、平移和縮放的不變性，在人臉識別中可以避免圖像中人臉平移與其他形式的變形對識別的影響，但傳統的二分類人臉檢測CNN有過擬合問題，識別效率較低。

發明內容

本申請的目的在于克服上述問題或者至少部分地解決或緩減解決上述問題。

根據本申請的一個方面，提供了一種基于Gabor濾波器的人臉表情識別方法，包括：

通過視頻采集設備采集用戶圖像，對所述用戶圖像進行預處理以獲取所述用戶圖像中的面部區域；

利用Gabor濾波器基于所述面部區域提取用于進行人臉特征識別的人臉特征圖像；

將所述人臉特征圖像輸入預設的人工神經網絡模型，由所述神經網絡模型對所述人臉特征圖像進行表情分類，識別并輸出所述用戶圖像的人臉表情識別結果。

可選地，所述通過視頻采集設備采集用戶圖像，對所述用戶圖像進行預處理以獲取所述用戶圖像中的面部區域，包括：

通過視頻采集設備采集用戶圖像；

使用Viola-Jones人臉檢測算法對所述用戶圖像進行預處理，獲取所述用戶圖像中的面部區域。

可選地，所述使用Viola-Jones人臉檢測算法對所述用戶圖像進行預處理，獲取所述用戶圖像中的面部區域，包括：

建立所述用戶圖像的積分圖像，并基于所述積分圖像獲取所述用戶圖像的類Harr特征集；

通過Adaboost算法對所述類Harr特征集進行訓練，提取所述用戶圖像中的面部特征；

利用級聯分類器對所述提取的面部特征進行篩選，獲取所述用戶圖像中的面部區域。

可選地，所述利用Gabor濾波器基于所述人臉區域提取用于進行人臉特征識別的人臉特征圖像，包括：

基于經過預處理后獲取的所述面部區域，通過Gabor濾波器使用不同的方向和頻率，提取所述面部區域中用于人臉特征識別的Gabor特征，生成用戶的人臉特征圖像；

其中，Gabor濾波器由多個頻率和多個方向的多分辨率結構組成。

可選地，所述人工神經網絡模型由多層前饋網絡構成；