基于pwld和d-s證據(jù)理論的人臉表情識別方法
【專利摘要】本發(fā)明公開一種基于PWLD和D-S證據(jù)理論的人臉表情識別方法，該方法包括如下步驟：首選選取人臉表情數(shù)據(jù)庫；然后對已選取的圖像進(jìn)行預(yù)處理；分別提取步驟2得到的兩個顯著區(qū)域圖像的PWLD特征；將步驟3提取的PWLD特征用D-S證據(jù)理論進(jìn)行分類識別；根據(jù)D-S聯(lián)合規(guī)則進(jìn)行決策判斷，得出最終判別結(jié)果。本發(fā)明的目的在于克服傳統(tǒng)的WLD對于局部描述不強(qiáng)，表情識別率低和識別時間長的問題，具有更好的局部信息表征能力，對于圖像局部紋理描述更加精確，可以更好地提取全局和局部特征。
【專利說明】基于PWLD和D-S證據(jù)理論的人臉表情識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于模式識別【技術(shù)領(lǐng)域】，具體涉及一種基于PWLD和D-S證據(jù)理論的人臉表 情識別方法。

【背景技術(shù)】
[0002] 人臉表情識別技術(shù)就是通過分析特定人的臉部表情及變化，進(jìn)而確定其內(nèi)心情緒 或者思想活動。WLD是基于證據(jù)心理學(xué)的韋伯定律提出來的，通過模擬人感知周圍環(huán)境來提 取特征，它在圖像紋理提取方面非常有效，并且對光照和噪聲魯棒。將WLD特征（即韋伯局 部描述特征或韋伯局部描述子）用于網(wǎng)絡(luò)圖像中識別人臉表情，先從大量的網(wǎng)絡(luò)圖像中檢 測到人臉，再通過主動學(xué)習(xí)去除有噪聲的圖像，得到一系列的人臉圖像，然后對人臉圖像分 塊加權(quán)，提取不同尺度的WLD特征。但是由于權(quán)值和分塊固定，具有局限性，不能更好地提 取局部細(xì)節(jié)特征。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明提出一種基于PWLD和D-S證據(jù)理論的人臉表情識別方法，用于解決現(xiàn)有技 術(shù)中WLD對于局部描述不強(qiáng)，表情識別率低和識別時間長的問題，具有更好的局部信息表 征能力，對于圖像局部紋理描述更加精確，可以更好地提取全局和局部特征。
[0004] 為實現(xiàn)上述目的，本發(fā)明提供的一種基于PWLD和D-S證據(jù)理論的人臉表情識別方 法，該方法包括如下步驟：
[0005] -種基于PWLD和D-S證據(jù)理論的人臉表情識別方法，其特征在于該方法包括如下 步驟：
[0006] 步驟1 :選取人臉表情數(shù)據(jù)庫
[0007] 采用已知表情的人臉表情數(shù)據(jù)庫作為訓(xùn)練集，并選取訓(xùn)練集中某一類表情的一張 人臉圖像作為測試集；
[0008] 步驟2 :對所有圖像進(jìn)行預(yù)處理
[0009] 用AdaBoost算法檢測人臉，得到只含有人臉表情的人臉圖像后，用雙向灰度積分 投影法對檢測出的人臉圖像的眼睛定位，然后對人臉圖像進(jìn)行尺度歸一化處理，將所有人 臉圖像尺度歸一化為128X128像素，將歸一化處理后的人臉圖像分割出兩個較小的顯著 區(qū)域圖像，顯著區(qū)域圖像一為僅含有眉毛、眼睛的圖像，顯著區(qū)域圖像二為僅含有嘴巴的圖 像；
[0010] 步驟3 :按照如下步驟分別提取步驟2中兩個顯著區(qū)域圖像的PWLD特征
[0011] S1、將顯著區(qū)域圖像一分成3層，顯著區(qū)域圖像二分成2層，每一層圖像均由方形 且大小均等的圖像塊構(gòu)成，且每層圖像塊的數(shù)量為4 1，1為圖像塊所在層的層次，對于顯著 區(qū)域圖像一，1 = 〇，1，2 ;對于顯著區(qū)域圖像二，1 = 0，1 ;即下一層圖像為由上一層圖像的 各圖像塊按寬和高等分成更小的圖像塊構(gòu)成；
[0012] S2、對顯著區(qū)域圖像一和顯著區(qū)域圖像二，分別提取每一層每個圖像塊的WLD - 維直方圖；
[0013] S3 :將每一層每個圖像塊的WLD-維直方圖乘以一個歸一化系數(shù)d，與每一圖像塊 所對應(yīng)的歸一化系數(shù)0 = 1/4% 1為圖像塊所在層的層次；并把同一顯著區(qū)域圖像的每一 層每個圖像塊的歸一化后的WLD -維直方圖級聯(lián)，即得到與相應(yīng)的顯著區(qū)域圖像的PWLD特 征；
[0014] 步驟4 :將步驟3提取的PWLD特征用D-S證據(jù)理論進(jìn)行分類
[0015] S1 :按照上述步驟3的方法得到每一幅圖像的每一個顯著區(qū)域圖像的PWLD特征 后，計算測試集圖像的每一個顯著區(qū)域圖像的PWLD特征分別與訓(xùn)練集中每一類表情的每 一張圖像的相對應(yīng)的顯著區(qū)域圖像的PWLD特征的卡方距離D (T，S)，可由下式求得：

【權(quán)利要求】
1. 一種基于PWLD和D-S證據(jù)理論的人臉表情識別方法，其特征在于該方法包括如下步 驟： 步驟1 :選取人臉表情數(shù)據(jù)庫 采用已知表情的人臉表情數(shù)據(jù)庫作為訓(xùn)練集，并選取訓(xùn)練集中某一類表情的一張人臉 圖像作為測試集； 步驟2 :對所有圖像進(jìn)行預(yù)處理 用AdaBoost算法檢測人臉，得到只含有人臉表情的人臉圖像后，用雙向灰度積分投影 法對檢測出的人臉圖像的眼睛定位，然后對人臉圖像進(jìn)行尺度歸一化處理，將所有人臉圖 像尺度歸一化為128X128像素，將歸一化處理后的人臉圖像分割出兩個較小的顯著區(qū)域 圖像，顯著區(qū)域圖像一為僅含有眉毛、眼睛的圖像，顯著區(qū)域圖像二為僅含有嘴巴的圖像； 步驟3 :按照如下步驟分別提取步驟2中兩個顯著區(qū)域圖像的PWLD特征 51、 將顯著區(qū)域圖像一分成3層，顯著區(qū)域圖像二分成2層，每一層圖像均由方形且大 小均等的圖像塊構(gòu)成，且每層圖像塊的數(shù)量為4 1，1為圖像塊所在層的層次，對于顯著區(qū)域 圖像一，1 = 0，1，2 ;對于顯著區(qū)域圖像二，1 = 0，1 ;即下一層圖像為由上一層圖像的各圖 像塊按寬和高等分成更小的圖像塊構(gòu)成； 52、 對顯著區(qū)域圖像一和顯著區(qū)域圖像二，分別提取每一層每個圖像塊的WLD-維直 方圖； S3:將每一層每個圖像塊的WLD-維直方圖乘以一個歸一化系數(shù)￡?，與每一圖像塊所對 應(yīng)的歸一化系數(shù)(1_ = 〗/__..·丨:，1為圖像塊所在層的層次；并把同一顯著區(qū)域圖像的每一層每 個圖像塊的歸一化后的WLD -維直方圖級聯(lián)，即得到與相應(yīng)的顯著區(qū)域圖像的PWLD特征； 步驟4 :將步驟3提取的PWLD特征用D-S證據(jù)理論進(jìn)行分類 51 :按照上述步驟3的方法得到每一幅圖像的每一個顯著區(qū)域圖像的PWLD特征后，計 算測試集圖像的每一個顯著區(qū)域圖像的PWLD特征分別與訓(xùn)練集中每一類表情的每一張圖 像的相對應(yīng)的顯著區(qū)域圖像的PWLD特征的卡方距離D(T，S)，可由下式求得：
T是測試集的聯(lián)合直方圖，S是訓(xùn)練集的聯(lián)合直方圖，N是直方圖值的分?jǐn)?shù)，Tt是測試集 直方圖中取t的個數(shù)，St是訓(xùn)練集直方圖中取t的個數(shù)； 52 ;選取S1計算的測試集與訓(xùn)練集每一類表情的每一張圖像的最小卡方距離作為這 一類表情的第一最終卡方距離(V是表情的顯著區(qū)域，i = 1，2, j是表情的類別數(shù)目， j = 1，2，...，N; 53 :用下式對所有的第一最終卡方距離d/ ^進(jìn)行歸一化：
上式中：i是表情的顯著區(qū)域，i = 1，2 ; j是表情的類別數(shù)目，j = 1，2, "·，Ν; 歸一化后得到的第二最終卡方距離du e [〇, l)，將第二最終卡方距離di，j由小到大 排序； 54 :構(gòu)造指數(shù)函數(shù)+0.05 ,將歸一化后的最終卡方距離L作為X帶入上 述指數(shù)函數(shù)，完成歸一化后的最終卡方距離du到基本概率分配函數(shù)的映射； 55 :定義證據(jù)i對類別的基本概率分配函數(shù)為叫（μ ρ mi ?β}) = β x (irUUI,-r'um + 0.0 5) Ν 其中：@為調(diào)節(jié)系數(shù)，使得2>如》<1，/=(1， 2)，@取值范圍為（〇,〇.8); j-i 56 :由S5的基本概率分配函數(shù)構(gòu)造的不確定性分配函數(shù)ffli( θ )如下：
此處i是表情的類別區(qū)域，j是表情的類別數(shù)目； 57 :將顯著區(qū)域一的基本概率分配值叫（μ p與顯著區(qū)域二的基本概率分配值m2 ( μ p 用D-S合成法則融合，得到融合后的基本概率分配值πι(μ ρ，最后得到融合后的不確定性分 配值m(0); 步驟5 :根據(jù)D-S聯(lián)合規(guī)則進(jìn)行決策判斷，得出最終判別結(jié)果。
2. 如權(quán)利要求1所述的基于PWLD和D-S證據(jù)理論的人臉表情識別方法，其特征在于： D-S聯(lián)合規(guī)則如下，其中\(zhòng)是目標(biāo)類別： 1) 目標(biāo)類別4的基本概率分配值m(Aj應(yīng)具有最大的基本概率分配值； 2) 目標(biāo)類別\的基本概率分配值m(4)與其他類別基本概率分配值應(yīng)大于第一門限 ε j = 0. 005 ； 3) 融合后的不確定性值m( Θ )必須小于第二門限ε 2 = 〇. 1 ; 4) 目標(biāo)類別\的基本概率分配值m (4)必須大于不確定性m ( Θ )。
3. 如權(quán)利要求1所述的基于PWLD和D-S證據(jù)理論的人臉表情識別方法，其特征在于所 述歸一化后的WLD -維直方圖的級聯(lián)方法如下： 將任一顯著區(qū)域圖像的每一層中的每個圖像塊的歸一化后的WLD-維直方圖，按照此 層圖像塊的排列順序，每一行從左到右，相鄰行則從上到下依次排列得到此層圖像的相級 聯(lián)的WLD -維直方圖，再將所有層圖像的WLD -維直方圖從第0層到最后一層依次排列即 可。
4. 如權(quán)利要求1所述的基于PWLD和D-S證據(jù)理論的人臉表情識別方法，其特征在于： 其中，顯著區(qū)域圖像一與顯著區(qū)域圖像二的基本概率分配函數(shù)值用D-S證據(jù)理論融合 的方法如下： 假定識別框架?下有兩個相互獨(dú)立的證據(jù)源，其焦元分別是&和1_，假設(shè)是兩 個證據(jù)源對應(yīng)的基本概率分配函數(shù)，則根據(jù)D-S證據(jù)理論的合成法則得到合成后的基本概 率分配函數(shù)（BPA)，記為爾(C) = m, ?#?2，設(shè)化如下式所示：
式中κ = Σ ' κ稱為矛盾因子，它反映了每個證據(jù)之間的沖突程度， Λ ο Ι? -Α- φ m(C)表示融合后的基本概率分配函數(shù)。
5.如權(quán)利要求1至4任一項所述的基于PWLD和D-S證據(jù)理論的人臉表情識別方法，其 特征在于： 采用JAFFE人臉表情庫或Cohn-Kanade人臉表情庫作為訓(xùn)練集；JAFFE人臉表情庫是 由10位日本女性的213張人臉圖像構(gòu)成，包含有7種基本表情：生氣、厭惡、恐懼、高興、中 性、悲傷、吃驚；每個人包含2?4幅不同表情的圖像；Cohn-Kanade人臉表情庫包含了 210 個對象的6種表情序列：悲傷、商興、吃驚、恐懼、生氣、厭惡。
【文檔編號】G06K9/66GK104112145SQ201410307045
【公開日】2014年10月22日 申請日期:2014年6月30日 優(yōu)先權(quán)日:2014年6月30日
【發(fā)明者】王曉華, 胡敏, 金超, 黃偉, 任福繼 申請人:合肥工業(yè)大學(xué)