过Kirsch算子运算之后就直接取最大的k个值进行编码，本发明的SLDP编码加 入门限值判断，能降低干扰对于计算所带来的误差，加之区域分割之后进行直方图均衡化 能提高对光照的鲁棒性，更一步提高对噪声的抗干扰能力。
[0028] 本发明的有益效果是，在进行特征提取的过程中采用的SLDP编码方法，相较于常 用的LDP，PCA方法，提高了精确度，相比LDP，简化特征维度和计算量，提升了抗干扰能力。
【附图说明】
[0029] 图1 :实施例人脸表情识别整体流程示意图；
[0030] 图2 :LDP编码示意图；
[0031] 图3 :SLDP与LDP编码对比示意图。
【具体实施方式】
[0032] 实施例采用本发明的方法在VS2010环境中实现。利用本发明提供的人脸表情特 征提取方法，相较于LDP在Cohn-Kanade和JAFFE数据库上，在识别精度小幅波动的基础上 大幅减小了运算时间，充分验证了本发明的有效性。
[0033] 为了方便地描述实施例内容，首先对一些现有术语进行说明。
[0034] Haar-Iike特征。哈尔特征（Haar-Iike)是用于物体识别的一种数字图像特征，哈 尔特征使用检测窗口中指定位置的相邻矩形，计算每一个矩形的像素和并取其差值，然后 用这些差值来对图像的子区域进行分类。
[0035] 图像二值化。就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像 呈现出明显的黑白效果。在灰度图像中，常采用一个字节表示一个像素点，其灰度级为〇~ 255,其二值化方法为构造用一个二进制位表示一个像素点的图像，设置二值化阈值T，将大 于T的像素点设置为1，小于等于T的点设为0。
[0036] Adaboost算法。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练 不同的弱分类器，然后把这些弱分类器集合起来，构成一个强分类器。常用于人脸检测与定 位。
[0037] 直方图均衡化。直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的 形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。
[0038] SVM。SVM(Support Vector Machine，支持向量机）是一个有监督的学习模型，通 常用来进行模式识别、分类、以及回归分析，是属于机器学习的范畴。它是针对线性可分情 况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可 分的样本转化为高维特征空间使其线性可分。
[0039] 区域图像。指对图像的局部进行单独处理。
[0040] 十折交叉验证。指将数据集分成十分，轮流将其中9份作为训练数据，1份作为测 试数据，进行试验。每次试验都会得出相应的正确率（或差错率）。10次的结果的正确率 (或差错率）的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证（例如 10次10折交叉验证），再求其均值，作为对算法准确性的估计。
[0041] 实施例实现过程如图1所示，包含下述步骤：
[0042] 步骤1人脸检测及图像预处理
[0043] 步骤I. 1人脸检测
[0044] 对待检测图像进行人脸检测与定位，采用Adaboost方法。利用含有人脸和不含有 人脸的图像对分类器进行训练，其中含有人脸的图像为正样本，不含有人脸的图像为负样 本。
[0045] 1)求取训练样本的四种Harr-Like特征，形成特征集。
[0046] 2)训练弱分类器，训练弱分类器的目的是为了确定阈值，使得对所有训练样本的 分类误差最低。
[0047] 3)级联弱分类器获得强分类器。
[0048] 步骤1. 2图像预处理
[0049] 通过步骤I. 1得到人脸图像后，进行尺度归一化，扩大或缩小到256*256的尺寸大 小。若是彩色图像则需要先进行图像二值化获得灰度图像。得到统一大小的灰度图像之后， 进行区域分割，分为3*3的等大小图像区域，得到每一块区域图像，并计算每一个小区域的 直方图，按顺序进行首尾相连，之后进行直方图均衡，得到最终的待检测图像，直方图均衡 的计算方法如下：
[0051] 其中L是图像中灰度值总数，rk为原始直方图分布中的第k种灰度值，n k是灰度 为rk的像素数目，η为总像素个数，Pr (r k)为1\的概率密度函数，S # r袭过变化后的灰 度值。
[0052] 步骤2表情特征提取
[0053] 本部分提出了一种改进的SLDP方法。SLDP与LDP其编码顺序一致，LDP编码顺序 如图2所示，图2最左为原始像素值，图2中为经过Kirsch算子运算后得到的八个方向的 响应值，图3为当取3个最大值时以起始点逆时针顺序的二进制编码为11001000。
[0054] SLDP 编码
[0055] 对图像进行SLDP编码，其计算方式如下：
[0058] 其中Vl，s ()为判决函数，i = 0,……，7表示经过Kirsch算子运算后得到的8个 方向的边缘响应值的绝对值，N为响应值个数，N = 8, Th为门限值；
[0059] 经过差值运算之后，得到了一个长度为N/2 = 4的二进制码字，最后依照LDP的顺 序对中心像素进行二进制编码，然后取编码的十进制值作为中心像素最终的结果值。如图 3可见，SLDP编码的二进制编码长度为LDP编码的一半。
[0060] 步骤3表情分类
[0061] 首先，将步骤2中获得的特征信息随机分为10份，其中9份作为训练图像，1份作 为检测图像。将9份训练输入SVM进行训练，得到一个SVM分类器，之后采用十折交叉验证 法，对样本进行其他9次训练，将所获得的10个SVM分类器级联成为一个强分类器；然后用 已经训练好的SVM支持向量机对特征进行分类。该分类器可以对其他所有人脸表情图像进 行识别。
【主权项】
1. 一种基于区域图像的人脸表情识别方法，其特征在于，包括以下步骤： 步骤1图像预处理 得到人脸图像后，将人脸图像转换为统一大小的灰度图像，对归一化后的灰度图像进 行区域分割，并计算每一个区域的灰度直方图，按顺序进行首尾相连得到待检测图像； 步骤2表情特征提取 使用SLDP编码对待检测图像进行特征提取： 对待检测图像中当前像素为中心像素点的邻域内8个像素点进行Kirsch算子运算得 到的8个方向的边缘响应值； 对当前像素点进行SLDP编码的计算方式如下：其中Vl，s()为判决函数，i= 0,……，7表示经过Kirsch算子运算后得到的8个方向 的边缘响应值的绝对值，N为响应值个数，N= 8,Th为门限值； 步骤3表情分类 将待测图像的SLDP编码作为提取的特征信息输入SVM支持向量机对特征进行分类完 成人脸表情图像进行识别。2. 如权利要求1所述一种基于区域图像的人脸表情识别方法，其特征在于，步骤1图像 预处理中，按顺序进行首尾相连灰度直方图之后进行直方图均衡得到待检测图像。3. 如权利要求2所述一种基于区域图像的人脸表情识别方法，其特征在于，直方图均 衡的计算方法如下：其中L是图像中灰度值总数，rk为原始直方图分布中的第k种灰度值，Pr(rk)为4的 概率密度函数，315是rk经过直方图均衡的灰度值。
【专利摘要】本发明提供一种基于区域图像的人脸表情识别方法，得到8个方向的边缘响应值之后，首先利用以中心像素为中心的周围像素具有极高的相关性这一特征，用周围像素之响应差值与门限值进行比较确定其编码，大于等于门限值则为1，否则为0，并按照来LDP的顺序进行二进制编码，最后取编码的十进制值作为中心像素最终的编码结果，降低了特征维度和后续识别的运算时间，也尽可能保证其精度。相对于现有LDP经过Kirsch算子运算之后就直接取最大的k个值进行编码，本发明的SLDP编码加入门限值判断，能降低干扰对于计算所带来的误差，加之区域分割之后进行直方图均衡化能提高对光照的鲁棒性，更一步提高对噪声的抗干扰能力。
【IPC分类】G06K9/00
【公开号】CN105117707
【申请号】CN201510543275
【发明人】解梅, 张锐, 黄成挥, 罗招材
【申请人】电子科技大学
【公开日】2015年12月2日
【申请日】2015年8月29日