054] 步骤4:交叉:从种群P中按概率选择-对假设。对于每对假设，用交叉算子产生 两个后代。把所有的后代加入Nr ;
[0055] 步骤5:变异:使用均勾的概率从Nr中选择m% · (1-r) · η个成员。对于选出的每个 成员，在它的表示中随机选择一位取反；
[0056] 步骤6:更新:将Nr中的值拷贝到Ρ中；
[0057] 步骤7 : if迭代次数< G
[0058] 继续步骤2;
[0059] else
[0060] 停止；
[0061 ] 结束
[0062]步骤7、根据从改进的GA算法(步骤6)优化得到的解，接下来，使用Pareto优化算法 做进一步的特征选取优化。
[0063]为了得到解Sk，考虑下面这个多目标优化问题：
[0064] min/max F(Sk) = (Fi(Sk)，Fi(Sk)，…，Fi(Sk))
[0065]
[0066]在基于Pareto优化算法的特征选择中，考虑使用了Fisher线性判别准则建立两个 新的优化目标函数：
[0067]
[0068] 且
[0069]
[0070] 其中I是通过GA从一类表情中得到的解且Nw是解的个数，Μ」是通过GA从不同类别 中得到的解且N b是其对应解的个数，1则代表了不同种类表情的个数。
[0071] 通过给出的目标函数，可以看出FKSk)和F2(Sk)分别是对应了缩小类间差距和扩 大类间差距。
[0072] 通过使用SPEA，由上式给出的这两个目标函数优化问题可以得到解决。而且基于 Pareto优化算法的流程由算法2给出。
[0073]算法2:基于Pareto优化算法的特征选择算法
[0074] 输入：
[0075] 大小为k的种群，PCSiA，· · ·，Sk)
[0076] 每个解的基于公式(6)，（7)的目标函数Fi，F2
[0077] 最大的迭代次数，Η
[0078] 输出：
[0079] 种群Ρ和Ρ'
[0080] 开始
[0081 ]步骤1:生成初始种群Ρ和建立一个空的额外的非被支配集
[0082] 步骤2:将Ρ中的非被支配解拷贝到额外集Ρ'中；
[0083] 步骤3:将Κ中被Κ其他成员所支配的解删除；
[0084] 步骤4: if Ρ'的数量〉Ν'
[0085] 使用聚类的方法来修剪Κ ;
[0086] end
[0087] 步骤5:计算P和P'中每个解的适应度；
[0088] 步骤6:从均匀采样的统计方法从P+P'中挑选Smf成员；
[0089]步骤7:对Smf成员做交叉；
[0090]步骤8:对Sm个成员做变异；
[0091] 步骤9: if迭代次数< Η
[0092] 继续步骤2;
[0093] else
[0094] 停止；
[0095] 结束
[0096] 步骤8、最优特征选出来之后，要将其分类到六类表情中，这六种表情分别为：生 气，厌恶，害怕，高兴，悲伤和惊讶。接下来给出随机森林分类器方法，它可以有效地提高人 脸表情分类的精度。
[0097] 随机森林是一种组合分类器，其本质是一个树形分类器的集合，其中的基分类器 是用分类回归树算法构建的没有剪枝的分类决策树，输出结果则是采用简单多数投票法确 定。
[0098] Gini系数指标是随机森林中分类回归树的分裂标准，它的计算过程如下：
[0099]
(8)
[0100] 其中Pi代表类Yi在样本集S中出现的概率。
[0101] 基于随机森林的脸部特征分类算法在算法3中给出。
[0102] 算法3:基于随机森林的脸部特征分类算法
[0103] 输入：
[0104] -个训练集(X，Y)，X为特征，Y为类别
[0105] 类别个数有，c
[0106] 原始训练集大小，N
[0107] 每个训练样本中的特征维数，Μ
[0108] 分类回归树的个数，Τ
[0109] 每个节点使用到的特征维数，mtry(mtry <Μ)
[0110]节点上最少样本数，S(终止条件）
[0111]输出：
[0112]每个节点分裂所依据的特征 [0113]开始
[0114] 步骤1:建立i颗分类回归树；
[0115] 步骤2:i = l;
[0116] 步骤3:从原始训练集(X，Y)中有放回重复抽取N个样本构成一个新的训练集S，作 为第i颗树的根节点，并从根节点开始训练；
[0117] 步骤4: if当前节点满足终止条件s时 [0118]设当前节点为叶子节点；
[0119] else
[0120]从Μ维特征中随机抽取mtry个特征作为候选特征。根据mtry个候选特征计算当前 节点的Gini系数。选择Gini系数最小的特征来进行分裂，分成左子节点和右子节点；
[0121] endif
[0122] 计算第i棵树上的其他节点；
[0123] 步骤5: if i 关 T
[0124] i = i+l;继续做步骤3;
[0125] else
[0126] 停止；
[0127] 结束
[0128] 最后给出基于uniform LGBP特征提取，GA和Pareto优化算法的特征选取，人脸表 情算法：
[0129] 算法4:脸部表情识别算法
[0130] 输入：
[0131 ]所有的表情类别中的训练图片 [0132]显著的脸部特征块 [0133]其他参数设定
[0134] 输出：
[0135] 代表每类表情的最优解
[0136] 开始
[0137] 步骤 1:初始化种群P(Si，&，···，Sk)(k = l，2, ...，n);
[0138] 步骤2:对初始种群P做GA(算法1);
[0139] 步骤3:从GA中挑选出最优解Si;
[0140] 步骤4:将解Si中分成两部分:Ui和U;
[0141 ] 步骤5:固定Ui，对U做GA(算法1);固定U，对Ui做GA(算法1);
[0142]步骤6:把新的Ui和U组成新的Si并把它拷贝到P中；
[0143]步骤7:从GA中选取最优的特征结果P;
[0144] 步骤8:根据公式6，7对P中的每个解进行评价，得到F^F2;
[0145]步骤9:对P中的解做Pareto优化算法(算法2);
[0146] 步骤10:返回Pareto最优解；
[0147] 步骤11:使用随机森林分类器(算法3)将所选出的特征进行分类；
[0148] 结束
[0149] 步骤9、最后选择数据库来训练本发明算法直至算法收敛，目前有许多开放的平台 提供了人脸表情的数据库，比如CK+，eNTERFACE和MMI。选一个数据库来对本发明算法进行 训练和测试，根据最后的测试结果得到一个理想的分类模型。
[0150]不难发现，本发明使用了比传统LGBP好的特征提取方法uniform LGBP来做特征提 取降低了特征的维数，改进了GA的适应度评价函数，提出了新的Pareto优化算法的目标函 数。本发明和传统方法相比在人脸表情识别的精度和速度上都得到了提高。
【主权项】
1. 一种人脸表情识别方法，其特征在于，包括以下步骤： (1) 对人脸图片进行预处理； (2) 对预处理完的人脸图片做基于uniform LGBP的特征提取，并建立图片特征的显著 性； (3) 使用遗传算法对图片特征进行第一次特征选取，得到优秀的种群； (4) 根据得到的优秀的种群作为每类表情特征的优秀种群的比较值，来建立类内和类 间的两个新的目标函数，目标就是最小化类内函数的值和最大化类间函数的值，并使用 Pareto优化算法来对其进行优化； (5) 进行脸部特征的分类，在选取完最优特征以后，采取随机森林的方法来对特征进行 分类。2. 根据权利要求1所述的人脸表情识别方法，其特征在于，所述步骤（1)中的预处理包 括人脸识别、噪声处理和人脸对齐。3. 根据权利要求1所述的人脸表情识别方法，其特征在于，所述步骤(2)中基于uniform LGBP的特征提取具体为：首先对图片进行Gabor滤波变换，其次对图片中的所有像素使用 LBP算子提取直方图作为人脸的特征，即将中心像素值作为阈值，相邻域内的像素值如果大 于该阈值则为1，否则为〇,通过使用这种方法二值化以后，会得到2 Q个二值模式，再次定义 一个均匀模式，即得到的二值化后组成的描述子;如果存在不超过两次从〇到1或1到〇的跳 变则为均匀模式，否则为非均匀模式;最后通过这样的定义，将原来的2 Q个二值模式降低为 Q2-Q+2〇4. 根据权利要求1所述的人脸表情识别方法，其特征在于，所述步骤(3)具体为:首先随 机初始化种群，接着计算每个种群的准确度，根据准确度分为四类，给出每一类计算种群的 适应度函数;最后使用遗传算法来进行优化得到优秀的种群。5. 根据权利要求4所述的人脸表情识别方法，其特征在于，所述适应度函数为 Σ?Χ -：, if α=分 € 1 jn m -f ?=100 Ffc)- 其中，α是正确分类到其类别的比例，ε， i Z-? Grc. + if 90<a<100 a nr m m ! Σ?Χ -+? ?-=1 L=\ --.+ /? if 0<a<90 .a ' nr 9 Pi，P2是参数，ar。为脸部特征块的状态，m为脸部特征块的数量。6. 根据权利要求1所述的人脸表情识别方法，其特征在于，所述步骤(4)中两个目标函 数分别为：啡>+ΣΣ(ν~)2和厂取)=|Σ(士ΣΣ仏，，)，其中， ^ w r=\ c=l l ./=1 c=l 1 :( 1 ' ?v=丨-Σ氧，《% =ιΣμ/，姐是通过遗传算法从一类表情中得到的解具是解的个数， 八 W i=l Μ Mj是通过遗传算法从不同类别中得到的解，Nb是其对应解的个数，1则代表了不同种类表情 的个数，Sk为种群。
【专利摘要】本发明涉及一种人脸表情识别方法，包括以下步骤：对人脸图片进行预处理；对预处理完的人脸图片做基于uniform？LGBP的特征提取，并建立图片特征的显著性；使用遗传算法对图片特征进行第一次特征选取，得到优秀的种群；根据得到的优秀的种群作为每类表情特征的优秀种群的比较值，来建立类内和类间的两个新的目标函数，目标就是最小化类内函数的值和最大化类间函数的值，并使用Pareto优化算法来对其进行优化；进行脸部特征的分类，在选取完最优特征以后，采取随机森林的方法来对特征进行分类。本发明能够提高在人脸表情识别的精度和速度。
【IPC分类】G06K9/00
【公开号】CN105469080
【申请号】CN201610008142
【发明人】王佛伟, 沈波, 孙韶媛, 张似晶
【申请人】东华大学
【公开日】2016年4月6日
【申请日】2016年1月7日