本发明涉及人脸识别技术，特别涉及人脸表情识别技术。
背景技术：
随着互联网科技的发展，计算机视觉、人工智能在越来越多的领域得到了应用。智能识别的发展大大方便了人们的生活，同时提高了安全性，现在的人脸表情识别技术大多通过普通的人脸特征提取算法，提取人脸特征后进行特征匹配，例如adaboost，其检测结果不是很准确，耗时也比较多，并且需要指定提取的特征，算法较为复杂。
技术实现要素：
本发明的目的是要解决目前人脸表情识别技术其检测结果不是很准确的问题，提供了一种人脸表情识别方法。
本发明解决其技术问题，采用的技术方案是，人脸表情识别方法，其特征在于，包括以下步骤：
步骤1、采集人脸各标准表情图像作为训练样本进行人脸表情建模，得到人脸表情模型；
步骤2、识别时，采集人脸表情视频；
步骤3、从采集的人脸表情视频中获取到人脸表情图像；
步骤4、对获取到的人脸表情图像进行对齐调整，根据人脸标准表情图像调整人脸表情图像中人脸五官的位置，得到调整后的人脸表情图像；
步骤5、采用人脸表情模型对调整后的人脸表情图像进行识别。
具体的，步骤1中，所述各标准表情图像中，包括标准喜悦表情图像、标准悲伤表情图像、标准愤怒表情图像、标准厌恶表情图像、标准惊讶表情图像、标准恐惧表情图像及标准无表情图像。
进一步的，步骤1中，所述各标准表情图像中，每一种表情对应的标准表情图像包括至少3000张标准表情图像。
具体的，步骤1中，所述采集人脸各标准表情图像作为训练样本进行人脸表情建模，得到人脸表情模型时，采用深度学习方法。
再进一步的，所述深度学习方法中，训练方式采用NESTEROV算法。
具体的，步骤5中，所述采用人脸表情模型对调整后的人脸表情图像进行识别时，采用深度学习算法。
再进一步的，步骤3包括以下步骤：
步骤301、选择人脸表情视频的第一帧图像；
步骤302、对该帧图像整帧进行人脸检测，若检测到人脸信息，进入步骤304，否则进入步骤303；
步骤303、选择人脸表情视频的下一帧图像，回到步骤302，若已无下一帧图像则本次人脸表情识别失败；
步骤304、记录人脸位于该帧图像的位置信息及人脸矩形图大小，得到人脸区域并记录；
步骤305，对人脸区域内的人脸进行光照补偿，得到人脸表情图像，进入步骤4；
步骤5中，所述采用人脸表情模型对调整后的人脸表情图像进行识别时，若识别成功则输出对应的表情代码，若识别失败则选择人脸表情视频的下一帧图像，回到步骤302。
具体的，步骤4中，所述对获取到的人脸表情图像进行对齐调整之前，还对人脸表情图像进行灰度变化，得到人脸表情图像的灰度图，再对人脸表情图像的灰度图进行对齐调整。
再进一步的，所述对人脸表情图像进行灰度变化，得到人脸表情图像的灰度图的方法为：创建一幅与人脸表情图像等宽及等高的单通道图像，将其像素值初始化为0，然后对人脸表情图像根据Gray＝R*0.299+G*0.587+B*0.114进行灰度变换后存入单通道图像中，该单通道图像作为人脸表情图像的灰度图。
具体的，步骤4中，所述对获取到的人脸表情图像进行对齐调整，根据人脸标准表情图像调整人脸表情图像中人脸五官的位置，得到调整后的人脸表情图像的方法为：对获取到的人脸表情图像的灰度图进行人脸校正，检测人脸表情图像的灰度图中的五官位置，将其与标准表情图像中的五官位置进行配准，根据两眼间的连线与中垂线的角度进行校正。
本发明的有益效果是，在本发明方案中，通过上述人脸表情识别方法，由于对人脸表情图像进行了对齐调整，令其接近于训练样本中的人脸表情，使得人脸表情识别更加精确，且识别速度更快。
具体实施方式
下面结合实施例，详细描述本发明的技术方案。
本发明所述人脸表情识别方法为：首先采集人脸各标准表情图像作为训练样本进行人脸表情建模，得到人脸表情模型，在识别时，采集人脸表情视频，然后从采集的人脸表情视频中获取到人脸表情图像，再对获取到的人脸表情图像进行对齐调整，根据人脸标准表情图像调整人脸表情图像中人脸五官的位置，得到调整后的人脸表情图像，最后采用人脸表情模型对调整后的人脸表情图像进行识别。
实施例
本发明实施例的人脸表情识别方法，包括以下步骤：
步骤1、采集人脸各标准表情图像作为训练样本进行人脸表情建模，得到人脸表情模型。
本步骤中，各标准表情图像中，可包括标准喜悦表情图像、标准悲伤表情图像、标准愤怒表情图像、标准厌恶表情图像、标准惊讶表情图像、标准恐惧表情图像及标准无表情图像等，每一种表情对应的标准表情图像包括至少3000张标准表情图像。
另外，本步骤中，采集人脸各标准表情图像作为训练样本进行人脸表情建模，得到人脸表情模型时，是采用深度学习方法，其采用的模板可以分为21层，采用BN层和poo l层结合的方法，提高迭代训练的准确率。深度学习方法中，训练方式采用NESTEROV算法。
步骤2、识别时，采集人脸表情视频。
步骤3、从采集的人脸表情视频中获取到人脸表情图像。
本步骤可包括以下具体步骤：
步骤301、选择人脸表情视频的第一帧图像；
步骤302、对该帧图像整帧进行人脸检测，若检测到人脸信息，进入步骤304，否则进入步骤303；
步骤303、选择人脸表情视频的下一帧图像，回到步骤302，若已无下一帧图像则本次人脸表情识别失败；
步骤304、记录人脸位于该帧图像的位置信息及人脸矩形图大小，得到人脸区域并记录；
步骤305，对人脸区域内的人脸进行光照补偿，得到人脸表情图像，进入步骤4。
步骤4、对获取到的人脸表情图像进行对齐调整，根据人脸标准表情图像调整人脸表情图像中人脸五官的位置，得到调整后的人脸表情图像。
本步骤中，对获取到的人脸表情图像进行对齐调整之前，还可以对人脸表情图像进行灰度变化，得到人脸表情图像的灰度图，再对人脸表情图像的灰度图继续进行对齐调整。对人脸表情图像进行灰度变化，得到人脸表情图像的灰度图的方法可以为：创建一幅与人脸表情图像等宽及等高的单通道图像，将其像素值初始化为0，然后对人脸表情图像根据Gray＝R*0.299+G*0.587+B*0.114进行灰度变换后存入单通道图像中，该单通道图像作为人脸表情图像的灰度图。对获取到的人脸表情图像进行对齐调整，根据人脸标准表情图像调整人脸表情图像中人脸五官的位置，得到调整后的人脸表情图像的方法可以为：对获取到的人脸表情图像的灰度图进行人脸校正，检测人脸表情图像的灰度图中的五官位置，将其与标准表情图像中的五官位置进行配准，根据两眼间的连线与中垂线的角度进行校正。
步骤5、采用人脸表情模型对调整后的人脸表情图像进行识别。
本步骤中，若步骤3采用步骤301～305时，则在采用人脸表情模型对调整后的人脸表情图像进行识别时，若识别成功则输出对应的表情代码，若识别失败则选择人脸表情视频的下一帧图像，回到步骤302。采用人脸表情模型对调整后的人脸表情图像进行识别时，可采用深度学习算法，与步骤1中的人脸表情建模相对应。