本发明涉及计算机技术领域，尤其是一种基于pca模型的面部情绪估算方法。
背景技术：
人的情绪分为喜、怒、哀、乐、悲、恐、惊七大类。现有的表情估算方法需要在面部图像上进行特征点标记，这一过程需要进行大量的计算，且特征点提取算法易受外界因素影响，特征点提取不准确，导致表情判断误差大。本发明提出的一种基于pca模型的面部情绪估算方法，不用提取面部特征点，受外部因素影响较小，为面部情绪识别技术提供基础支持。
技术实现要素：
本发明实施例提供了一种基于pca模型的面部情绪估算方法，用于计算人脸图片中面部表情信息，能够辅助判断人物情绪。
本发明提出一种基于pca模型的面部情绪估算方法，包括：pca模型建立，情绪降维，情绪分析。
在其中一个实施例中，所述pca模型建立包括：采集大量人脸面部图像作为训练样本，对训练样本进行前期处理获得训练数据，使用pca降维的方式对训练数据进行降维处理，维数降为n维（n>7），获得训练特征集合。
在其中一个实施例中，所述前期处理包括：对训练样本进行人工分类，按照样本图像的表情分成喜、怒、哀、乐、悲、恐、惊七个表情样本集合；对每个集合中的样本图像进行大小归一化、均衡化处理，降低噪声等因素对图像质量的影响。
进一步地，将训练特征集合进行pca建模，建立喜、怒、哀、乐、悲、恐、惊七个pca表情模型。
进一步地，将训练特征集合进行pca建模，建立喜、怒、哀、乐、悲、恐、惊七个pca表情模型。
在其中一个实施例中，所述表情分析包括：建立所述测试特征与pca表情模型的线性对应关系，使用梯度下降算法对所述测试特征与pca表情模型进行匹配，公式如下，
其中test表示所述测试特征，train表示所述喜、怒、哀、乐、悲、恐、惊七个pca表情模型集合，p表示对应关系系数。
本发明实施例通过训练的方式，建立pca情绪模型，使用pca降维的方式对测试数据进行降维处理，保存关键信息的同时，降低计算数据量，提高运算速率；使用梯度下降的方式对情绪成分进行分析，提识别高准确率。
附图说明
图1为一个实施例中一种基于pca模型的面部情绪估算方法流程图。
具体实施方式
为了使本发明的发明目的、特征、优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。基于本发明中的实施例，本领域的技术人员所获得的所有其他实施例，都属于本发明保护的范围。
在一个实施例中，提供了一种基于pca模型的人脸表情估算方法，包括如下步。
s1:采集700幅人脸面部图像作为训练样本，其中喜、怒、哀、乐、悲、恐、惊七类情绪样本各100幅样本图像。
s2:将所有样本进行裁剪，使样本图像只保留面部区域；调整裁剪后的样本，调整样本图像大小为320*240。
s3:对所有样本图像进行光照均衡化处理及降噪处理。
s4:将样本按照喜、怒、哀、乐、悲、恐、惊七类情绪分别进行pca降维，维度降为n=72。
s5:建立喜、怒、哀、乐、悲、恐、惊七类情绪的pca情绪模型。
s6:对测试样本图像进行前期处理，使测试样本图像只保留面部区域；调整裁剪后的测试样本，调整测试样本图像大小为320*240。
s7:对测试样本进行pca降维，维度m=72。
s8:建立测试样本与pca情绪模型的线性对应关系，使用梯度下降算法对所述测试特征与pca表情模型进行匹配，获得每个基础情绪在样本中所占比例。