专利名称：一种聚类线性鉴别分析特征选择的笑脸表情识别方法
技术领域：
本发明涉及笑脸表情识别方法，属于模式识别与人工智能技术领域，特别是涉及一种聚类线性鉴别分析特征选择的笑脸表情识别方法。
背景技术：
面部表情识别是计算机自动表情识别的简称，即指利用计算机对人脸的表情信息进行特征提取，按照人的认识和思维方式加以归类和理解，进而从人脸信息中去分析理解人的情绪。目前已有很多的表情识别技术和专利发明，如申请号为CN200810223211.6 的专利申请文件介绍了一种鲁棒的人脸表情识别方法，申请号为CN200710019296. 1的专利申请文件公开了一种人脸表情图像的分类及语义评判量化方法；中国发明专利 200610053394. 2的专利申请文件公开了一种从摄像头上采集视频信号，然后利用视频信号对人脸表情进行幻想的设计理念。申请号为CN200710100^6. 4公开了一款输入方法，此方法具有表情符号联想输入功能。笑脸是人脸表情的一个关键表情，其识别也是一项重要有待解决的问题。目前申请号为CN200710203477.X的专利申请文件公开了一种笑脸追踪方法，该方法通过相机模块的镜头拍摄图像；将上述拍摄的图像转换成黑白图像；读取所述黑白图像上的各个点的亮度值；通过上述亮度值及脸部的基本轮廓截取图像中的头像图形，及在上述截取的头像图形中截取嘴唇图形；比较上述截取的嘴唇图形与相机模块保存的人脸微笑时嘴唇图形的相似度，通过这个相似度来实现笑脸的区别，从而确定拍摄的图像是否存在相机里面。此方法只用模板匹配的方法，只有当所摄人物已在数据库中，此方法才非常有效，而且此方法来依赖于阈值，需要很好的经验判断。中国发明专利申请200710173678. χ介绍了一种手机相机捕捉笑脸的方法。该发明克服现有技术中使用手机拍照不易捕捉最佳拍摄时机和被拍者最佳表情的缺陷。首先通过人脸检测得到人脸，提取人脸重要器官的位置参数信息；对人脸实施跟踪，分析嘴的中心，当检测到人的嘴在笑时，焦点会自动锁定脸部，进行拍摄。此发明只是利用笑脸来进行辅助相机拍摄，而且笑脸检测方法过于简单，只满足一些简单的应用场合。除此之外，学术界也对这个问题非常感兴趣。Littlewort等人利用Adaboost算法从Gabor特征中选择出最有区分度的特征，然后将选择后的特征训练支持矢量机(SVM)分类器。利用这种算法可以区分7种表情，其中就包括笑脸表情。由于这种算法提取Gabor 特征，特征矢量是超高维，这种方法运算复杂度高。
发明内容
本发明的目的在于克服上述笑脸识别技术中存在的不足，提供一种聚类线性鉴别分析特征选择的笑脸表情识别方法。本发明采用的技术方案为首先采集人脸图像；接着利用区域积分投影定位人脸和嘴唇区域，然后提取人脸Gabor特征和嘴唇的层次化梯度直方图特征，最后利用聚类线性鉴别分析方法降低特征的维数和分类器的识别。本发明的目的具体通过下述技术方案得以实现
(11)、人脸训练图像采集和预处理；
(12)、人脸区域定位；
(13)、嘴唇定位；
(14)、人脸Gabor特征和嘴唇的层次化梯度直方图特征提取将人脸Gabor特征和嘴唇的层次化梯度直方图特征级联得到笑脸特征矢量；
(15)、聚类线性鉴别分析方法的特征降维对笑脸特征矢量进行K-MEAN聚类，得到聚类中心矢量，再利用线性鉴别分析方法完成特征降维；
(16)、分类器的训练与识别。所述步骤(11)人脸图像的采集是通过摄像头拍摄人脸的正面图像，然后采用图像预处理，去除样本图像中的噪声和亮度差异，将处理后的人脸图像组成训练样本集。所述步骤(12)人脸定位是利用摄像头拍摄人脸的正面图像，然后将图像中每个像素的RGB值转换成HSI值；判断每个像素点是否位于肤色HSI范围内，肤色HSI范围是
权利要求
1.一种聚类线性鉴别分析特征选择的笑脸表情识别方法，其特征在于具体步骤如下a)人脸训练图像采集和预处理；b)人脸区域定位；c)嘴唇定位；d)人脸Gabor特征和嘴唇的层次化梯度直方图特征提取将人脸Gabor特征和嘴唇的层次化梯度直方图特征级联得到笑脸特征矢量；e)聚类线性鉴别分析方法的特征降维对笑脸特征矢量进行K-MEAN聚类，得到聚类中心矢量，再利用线性鉴别分析方法完成特征降维；f)分类器的训练与识别。
2.根据权利要求1所述的笑脸表情识别方法，其特征在于所述步骤b)的具体步骤为 先将图像中每个像素的RGB值转换成HSI值，判断每个像素点是否位于肤色HSI范围内，肤色HSI范围是
3.根据权利要求2所述的笑脸表情识别方法，其特征在于所述步骤d)人脸Gabor特征提取采用的Gabor滤波器具有4个方向沒e[45Q，90Q，135Q,180Q]和5个尺度 1 €
。
4.根据权利要求3所述的笑脸表情识别方法，其特征在于所述步骤d)嘴唇的层次化梯度直方图特征采用3级层次处理，第一层次是原始嘴唇图像，第二层次是原始嘴唇图像4 等分后的嘴唇图像，第三层次是在第二层次的基础上，每个区域再进行4等分后的嘴唇图像。
5.根据权利要求4所述的笑脸表情识别方法，其特征在于所述步骤e)具体过程为 首先，将所采集到的人脸正面图像作为训练集样本，拆分训练样本成正样本和负样本，并提取其人脸Gabor特征和嘴唇的层次化梯度直方图特征矢量；然后，分别将提取到的正负样本的特征矢量进行K-MEAN聚类，得到正负样本各自的多个聚类中心矢量；接着，计算训练样本特征矢量离聚类中心矢量的距离，得到其对应的类标号，效果等同于将正负两类转换成多类；最后，将重新划分类标号的训练样本送入线性鉴别分析进行训练，计算类内散度矩阵和类间散度矩阵，得到训练样本数据的最佳投影矩阵；利用最佳投影矩阵对训练样本进行投影，得到的特征矢量就是原始特征的鉴别子空间，在鉴别子空间上截取低维部分，完成特征降维。
6.根据权利要求5所述的笑脸表情识别方法，其特征在于所述步骤f)中分类器为多类支持矢量机分类器；所述多类支持矢量机分类器的类别数等同于K-MEAN聚类后的聚类数。
全文摘要
本发明提供一种聚类线性鉴别分析特征选择的笑脸表情识别方法，具体步骤为先进行人脸和嘴唇区域定位，然后提取并级联人脸Gabor特征和嘴唇的层次化梯度直方图特征，得到笑脸特征矢量，接着利用聚类线性鉴别分析方法实现笑脸特征矢量的特征降维，最终利用多类支持矢量机分类器进行笑脸的训练和识别。由于Gabor特征不仅包含全局的纹理信息，而且还包含局部的梯度信息，所以特征的区分度好。本发明所提供的聚类线性鉴别分析能克服传统线性鉴别分析方法的多模态问题，有效实现特征维数的降维。总体而言，本发明提供的笑脸识别方法的系统识别速度快，系统识别性能高。
文档编号G06K9/66GK102194108SQ20111012294
公开日2011年9月21日 申请日期2011年5月13日 优先权日2011年5月13日
发明者郭礼华, 金连文 申请人:华南理工大学