一種基于Gabor小波和灰度共生矩陣的人臉表情識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及人臉表情識別領(lǐng)域,設(shè)計并實現(xiàn)了一種基于Gabor小波和灰度共生矩 陣的人臉表情識別算法。
【背景技術(shù)】
[0002] 人臉表情蘊含著豐富的個人情感信息,是人類進(jìn)行情感表達(dá)的重要方式。計算機 通過對人臉表情進(jìn)行識別,可以了解到人類對應(yīng)的心理狀態(tài),從而更好的服務(wù)于人類生活 的各個方面,如人機交互、智能安防、醫(yī)療監(jiān)護(hù)、心理分析等。目前,多數(shù)的表情識別算法主 要針對正面無遮擋的人臉表情圖像進(jìn)行實驗,一定程度上保留了完整的表情信息。但在現(xiàn) 實生活中,表情被遮擋的情況時有發(fā)生,頭發(fā)、墨鏡、口罩、手勢等產(chǎn)生的遮擋均會造成表情 信息的缺失,致使算法的識別率與魯棒性下降。因此,針對局部遮擋的人臉表情圖像,提出 更為魯棒的人臉表情識別算法,已經(jīng)成為計算機智能化應(yīng)用領(lǐng)域的研究熱點。
[0003] 人臉表情識別一般包括以下三個環(huán)節(jié):人臉檢測與圖像預(yù)處理、表情特征提取以 及表情分類。其中,表情特征提取是決定人臉表情識別過程是否精準(zhǔn)有效的重要環(huán)節(jié),也是 表情識別研究的核心內(nèi)容。局部遮擋的存在會造成部分表情信息的缺失,給表情特征提取 帶來一定的阻礙。針對這一問題,眾多學(xué)者展開了相應(yīng)研究,主要形成了兩類處理面部遮擋 的方法:一類是舍棄法,即舍棄遮擋區(qū)域的表情信息,利用未遮擋區(qū)域的表情信息來完成特 征提取工作;另一類是重建法,即先對遮擋區(qū)域進(jìn)行重建恢復(fù),然后再進(jìn)行表情特征提取。 鑒于重建法必須以無遮擋時的表情圖像作為參考,無形中加大了圖像處理的工作量,且重 建效果的好壞會受到算法性能、遮擋面積等因素的影響,所以多數(shù)研究者選用舍棄法來完 成局部遮擋條件下的表情特征提取。
[0004] 在眾多局部遮擋條件下的表情特征提取算法中,Gabor小波被廣泛的應(yīng)用。Gabor 小波可以提取圖像不同尺度、不同方向下的表情特征,它被證實在圖像局部特征提取上具 有明顯的優(yōu)勢,對遮擋條件下的表情識別具有良好效果。因此,諸多研究者圍繞著Gabor小 波在局部遮擋的人臉表情識別上的效果展開深入研究,形成了各種基于Gabor小波或是基 于Gabor小波與其他算法相結(jié)合的表情特征提取算法。例如,2012年,澳大利亞昆士蘭科技 大學(xué)的Zhang強調(diào)了 Gabor濾波器在局部紋理信息提取方面的重要作用,以及對遮擋條件 下表情識別的有效性。同年,Azmi在20th伊朗電子工程會議(ICEE)上提出將局部Gabor 二元模式直方圖序列(Local Gabor Binary Pattern Histogram Sequence, LGBPHS)引入 到表情識別領(lǐng)域,證明了 LBP和直方圖的引入對Gabor特征起到了降維作用,同時組合算法 的識別率也優(yōu)于單一算法的識別率。在此基礎(chǔ)上,吉林大學(xué)的劉帥師提出了 Gabor多尺度 特征融合與LGBPHS相結(jié)合的算法,進(jìn)一步降低了 Gabor特征的維數(shù)。這些算法取得了較好 的識別效果,推動著魯棒人臉表情識別技術(shù)的發(fā)展。
[0005] 但是,由于Gabor小波提取的表情特征往往具有較高的維度,這使得各種結(jié)合了 Gabor小波的特征提取算法都存在計算量大、復(fù)雜度高的缺點,導(dǎo)致整個表情識別過程耗時 較長,不利于表情識別從實驗仿真走向?qū)嶋H應(yīng)用。因此,如何在保證局部遮擋表情識別準(zhǔn)確 率不下降的前提下,降低特征維數(shù)、減少計算量,從而提高表情識別速率,成為本發(fā)明亟待 解決的問題。
【發(fā)明內(nèi)容】
[0006] 在保證局部遮擋條件下表情識別準(zhǔn)確率不下降的前提下,為了進(jìn)一步降低特征向 量的數(shù)據(jù)冗余,減少算法耗時,本發(fā)明提出了一種基于Gabor小波和灰度共生矩陣的人臉 表情識別算法。該算法首先設(shè)計了一種分塊提取Gabor特征統(tǒng)計量的方法,生成一個低維 Gabor特征向量,大大降低了 Gabor特征的數(shù)據(jù)冗余,并保留了人臉器官的空間特征;然后, 該算法首次將反映圖像紋理特征的灰度共生矩陣引入到表情識別領(lǐng)域,以此來彌補Gabor 特征分塊處理造成的像素空間相關(guān)性缺失的不足;最后,將提取的Gabor特征統(tǒng)計量和灰 度共生矩陣紋理特征進(jìn)行線性疊加,生成一組用于特征表達(dá)的低維特征向量。實驗結(jié)果表 明,本發(fā)明提出的表情特征提取算法對于局部遮擋條件下的人臉表情識別,具有魯棒性強、 特征向量維數(shù)低、分類耗時短、識別速率高的特點。
[0007] -種基于Gabor小波和灰度共生矩陣的表情識別方法,其特征在于,步驟如下:
[0008] 步驟(1),采集樣本
[0009] 采集若干個人的N張局部遮擋的正面人臉表情靜態(tài)圖像,每張圖像對應(yīng)的表情類 別即為該圖像的樣本標(biāo)記,所有表情圖像及其對應(yīng)的樣本標(biāo)記構(gòu)成實驗樣本。采用交叉驗 證中的10折交叉驗證法,將實驗樣本劃分成10等份,輪流將其中9份作為訓(xùn)練集X,剩余的 1份作為測試集S,最后取10次實驗結(jié)果正確率的平均值作為對算法識別準(zhǔn)確率的估計;
[0010] 步驟(2),樣本預(yù)處理
[0011] 處理對象是訓(xùn)練集X和測試集S內(nèi)的所有表情圖像,具體的預(yù)處理過程如下:
[0012] 步驟(2. 1),以雙眼位置為基準(zhǔn)獲取人臉位置,并手工分割出"純臉"區(qū)域;
[0013] 步驟(2. 2),采用加權(quán)平均法將彩色圖像轉(zhuǎn)換為灰度圖像;
[0014] 步驟(2. 3),采用直方圖均衡化方法降低光照變化對圖像造成的影響;
[0015] 步驟(2. 4),對圖像進(jìn)行尺度歸一化處理;
[0016] 步驟(3),特征提取
[0017] 采用基于Gabor小波和灰度共生矩陣的特征提取算法分別對預(yù)處理后的X和S內(nèi) 的每幅圖像進(jìn)行表情特征提取,該算法過程分為三部分:低維Gabor特征統(tǒng)計量的提取、灰 度共生矩陣特征的提取、高斯歸一化,算法流程如圖1所示。具體的過程描述如下:
[0018] 步驟(3. 1),低維Gabor特征統(tǒng)計量的提取
[0019] 低維Gabor特征的提取是在傳統(tǒng)Gabor特征提取的基礎(chǔ)上,對Gabor濾波后生成 的Gabor幅度圖(Gabor Magnitude Pictures, GMPs)進(jìn)行分塊處理,再求取每個子塊的特 征統(tǒng)計量實現(xiàn)的,具體分為以下兩個步驟:
[0020] 步驟(3. I. 1),傳統(tǒng)Gabor特征的提?。簩㈩A(yù)處理后的訓(xùn)練集X和測試集S分別與 二維Gabor小波函數(shù)作卷積,本方法選用5個尺度、8個方向,共40個Gabor濾波器與表情 圖像進(jìn)行卷積,并且僅選用變換相對平穩(wěn)的Gabor幅度信息作為有效信息,即每幅表情圖 像轉(zhuǎn)化為40張 GMPs,每幅GMPs對應(yīng)的Gabor系數(shù)值即為所提取的Gabor特征;
[0021 ] 步驟(3. 1. 2),分塊的Gabor特征統(tǒng)計量的提取:利用傳統(tǒng)算法提取圖像Gabor特 征時,一幅圖像經(jīng)過Gabor濾波后,其特征維數(shù)會擴(kuò)大40倍,而且表情圖像本身就屬于高維 數(shù)據(jù),所以采用傳統(tǒng)的Gabor特征提取方法可能會造成所謂的"維數(shù)災(zāi)難",導(dǎo)致整個表情 識別過程耗時較長。因此,本方法針對傳統(tǒng)Gabor特征提取算法的不足,設(shè)計實現(xiàn)了一種分 塊的Gabor特征統(tǒng)計量的提取算法:
[0022] 為了更有效表征人臉,依據(jù)面部主要器官的分布特性對人臉進(jìn)行分塊處理。具體 的分塊處理方法,是對每幅GMP在垂直方向按照圖像高度進(jìn)行上、中、下三等分,然后將最 上面一部分按照圖像寬度進(jìn)行二等分,最終形成了 4個子塊:R0、RU R2、R3,四個子塊分別 對應(yīng)包含左眼、右眼、鼻子和嘴四類主要器官。單幅GMP圖像經(jīng)過分塊處理后的結(jié)果圖如圖 2所示。
[0