所述的一种结合降维和认知引力模型的人脸表情识别方 法，包括训练阶段和识别阶段两个部分，现结合图1的流程图分别详述如下。
[0054] -、训练阶段
[0055] 在这一阶段的主要目的是训练得到ERF的映射矩阵，以及计算所有训练样本的分 布密度和质量，具体过程如下：
[0056] 第一步：使用基于金字塔的方向直方图提取特征。基于金字塔的方向直方图由方 向直方图设置两组不同的参数得到，方向直方图的参数主要包含空间单元的尺寸，方向箱 个数，空间单元的个数，对方向直方图设置不同的参数能够从人脸中提取到不同的特征。两 组参数设置如下：（1)空间单元的尺寸为8X8,方向箱个数为32,空间单元的个数为256,各 个单元互相不重叠。（2)空间单元的尺寸为16X16,方向箱个数为32,空间单元的个数为 64,各个单元也互相不重叠。显然将第2组参数设置中的每个单元继续分成4个不重叠的 单元即为第一组参数设置，这是一种典型的基于金字塔的特征提取方法。对训练数据的特 征提取结果定义为{Xl，x2，…，xn}，对应的类别标签记为{lp12，…，1J，n为训练样本的个 数。
[0057] 第二步：训练ERF获得投影矩阵，并将训练数据映射到低维空间，步骤如下：
[0058] (1)定义ERF的目标函数如下：
[0059] (11) "
?
[0060]其中，WTXLbXW，WTXLfXW，WTXLwXW，WTXLmXW是 4 个优化目标，a1和a2为平衡参数。
[0061] 其中，WTXLbXW的目标是最大化类间距离，定义如Eq. 12,式中沁表示不属于第c类 的训练样本个数，C表示总类别个数，li，^表示第i、第j个样本的类别标签。
[0062] (12) ?
?
[0063]WTXLwXW的目的是最小化类内距离，定义如Eq. 13,式中Nc表示属于第c类的训练 样本个数。
[0064]
(13)
[0065] WTXLfXW的目的是对最小化离得较远但属于同一类别的样本之间的距离进行一定 的惩罚，定义如Eq. 14,式中Nf表示与xi属于同一类并且互相不为k邻域的样本的个数， Nk(Xj)表示Xj的k近邻。
[0066]
(14)
[0067]WTXLmXW的目的是在低维空间中保持高维空间中的流形结构，其中L-定 义如Eq. 15,式中lk+1GRk+1为元素全为1的列向量，S#RnX(k+1)，Sf1当x5为 A^(X,') = {X/，撒(功}的第p个元素，（Si)pq= 0其它情况。 (15)
[0070] ，
[0071] (2)将Eq. 11所示的优化问题转化为Eq. 16所示的求广义特征值的问题，其中W由 最大的q个广义特征值对应的广义特征向量组成，q为目标维数约简维度。
[0072] X (Lb+aiLf) XTff = AX (Lw+a2Lf) XTff, (16)
[0073] ⑶将训练数据从高维空间转换到低维空间Y=WTX
[0074] 第三步：使用一种新的质量计算方法计算训练样本的质量，步骤如下：
[0075] (1)计算所有训练样本的密度：
[0076]
(17)
[0077] (2)计算训练样本的自信息：
[0078]
(18)
[0079] (3)通过归一化自信息，计算所有训练样本的质量：
(19)
[0083] 二、测试阶段：
[0084] 第一步：使用基于金字塔的方向直方图提取特征。基于金字塔的方向直方图由方 向直方图设置两组不同的参数得到，方向直方图的参数主要包含空间单元的尺寸，方向箱 个数，空间单元的个数，对方向直方图设置不同的参数能够从人脸中提取到不同的特征。两 组参数设置如下：（1)空间单元的尺寸为8X8,方向箱个数为32,空间单元的个数为256,各 个单元互相不重叠。（2)空间单元的尺寸为16X16,方向箱个数为32,空间单元的个数为 64,各个单元也互相不重叠。显然将第2组参数设置中的每个单元继续分成4个不重叠的 单元即为第一组参数设置，这是一种典型的基于金字塔的特征提取方法。对训练数据的特 征提取结果定义为X。
[0085] 第二步：将测试样本从高维空间映射到低维空间y=WTx
[0086]第三步：计算测试样本的质量，步骤如下：
[0087] (1)通过Eq. 17计算测试样本的密度fd(y);
[0088] (2)通过Eq. 18计算测试样本的自信息，其中，fd(yi)，i= 1，2,…，n为训练样本 的密度；
[0089] (3)通过Eq. 19归一化I(y)，获得测试数据的质量m(y);
[0090] 第四步：计算测试样本到所有训练样本之间的重力：
[0091]
(20)
[0092] 第五步：按照下述步骤对测试样本分类：
[0093] (l)fori= 1到C//C是训练样本的总类别数，从第c类找出与测试数据重力 最大的k个样本{y。。又。2，…，yj;并计算{y。。又。2，…，yj与测试数据之间的重力和：
[0094] (2)获得测试数据的标i
[0095] 本发明采用日本JAFFE和美国CK+数据库评价人脸表情识别效果，这两个数据库 与人脸表情识别领域的标准数据库。发明中的参数：训练样本数量N和表情类别数量C与 采用的数据集有关，参数：最近邻个数k在实验中通过交叉验证选择。
[0096] 实验首先完成训练过程，然后进行测试过程。采用按人独立的方式进行实验，在 JAFFE数据库上，使用Adaboost获得人脸时的识别精度为77. 46%。CK+数据库上，使用人 脸标注点对齐并获得人脸时的识别精度为97. 66%，使用Adaboost获得人脸时的识别精度 为 95. 31%〇
[0097] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的 限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化， 均应为等效的置换方式，都包含在本发明的保护范围之内。
【主权项】
1. 一种结合降维和认知引力模型的人脸表情识别方法，其特征在于，包括以下步骤： 步骤1、使用基于金字塔的方向梯度直方图提取测试样本的特征，称为PHOG特征； 步骤2、采用增强型长程相关反馈维数约减算法ERF的投影映射，对提取的测试样本的 PHOG特征降维，将测试样本映射到低维空间； 步骤3、计算测试样本的质量； 步骤4、根据测试样本和训练样本的质量，计算每个训练样本对测试样本的引力； 步骤5、从每个表情类别中，分别选出对测试样本引力最大的k个训练样本，并将每个 类的这些引力求和，对测试样本引力最大的那个类别即为测试样本的表情类别。2. 根据权利要求1所述的结合降维和认知引力模型的人脸表情识别方法，其特征在 于，在步骤2中，所述ERF是长程相关反馈维数约减算法RF的改进，ERF在最小化类内距离 时，对这类样本之间的距离再增加一个惩罚项，降低其对目标函数的影响。3. 根据权利要求1所述的结合降维和认知引力模型的人脸表情识别方法，其特征在 于，在步骤1之前具有进行训练的过程，所述训练的过程包含如下步骤： 步骤11、提取每个训练样本的PHOG特征； 步骤12、采用训练数据训练ERF，获得ERF投影映射，并将训练样本映射到低维空间； 步骤13、在低维空间中，计算每个训练样本的质量。4. 根据权利要求1或3任意一项所述的结合降维和认知引力模型的人脸表情识别方 法，其特征在于，计算测试样本的质量时对样本的自信息进行了归一化。
【专利摘要】本发明公开了一种结合降维和认知引力模型的人脸表情识别方法，包含训练过程和识别过程。训练过程包含步骤：(1)使用基于金字塔的梯度方向直方图提取训练样本的特征；(2)训练增强型长程相关反馈维数约减方法，获得维数投影映射；并将训练数据从高维空间映射到低维空间；(3)计算训练样本的质量；测试过程包含步骤：(1)使用基于金字塔的梯度方向直方图提取训练样本的特征；(2)根据训练阶段获得的维数投影映射对测试数据降维；(3)计算测试数据的质量；(4)计算测试数据与训练数据之间的引力；(5)根据引力获得测试样本的类别。具有显著提高了性能等优点。
【IPC分类】G06K9/00
【公开号】CN104992170
【申请号】CN201510467926
【发明人】文贵华, 孙亚新
【申请人】华南理工大学
【公开日】2015年10月21日
【申请日】2015年7月31日