技術(shù)特征：

1.一種表情識別方法，其特征在于，包括：

獲取面部表情圖像作為訓(xùn)練樣本和測試樣本，并提取所述面部表情圖像的多個面部關(guān)鍵部位；

提取所述面部表情圖像和各面部關(guān)鍵部位的面部表情特征；

構(gòu)建稀疏分類器，依據(jù)提取的所述訓(xùn)練樣本和測試樣本的面部表情特征，對所述測試樣本的面部表情圖像及面部關(guān)鍵部位進(jìn)行表情分類；

對所述稀疏分類器的表情分類結(jié)果進(jìn)行融合，根據(jù)融合結(jié)果確定所述測試樣本的表情類別。

2.根據(jù)權(quán)利要求1所述的表情識別方法，其特征在于，所述提取所述面部表情圖像的多個面部關(guān)鍵部位之前，還包括：

若獲取的所述面部表情圖像為彩色圖像，則對所述面部表情圖像進(jìn)行灰度歸一化處理；

若獲取的所述面部表情圖像包含噪聲，則去除所述面部表情圖像中的噪聲；

若獲取的所述面部表情圖像受到光照影響，則對所述面部表情圖像進(jìn)行光線補(bǔ)償、邊緣提取、熵圖像及灰度歸一化處理；

若獲取的所述面部表情圖像經(jīng)過旋轉(zhuǎn)、角度變化處理，則對所述面部表情圖像進(jìn)行仿射變換。

3.根據(jù)權(quán)利要求1所述的表情識別方法，其特征在于，所述提取所述面部表情圖像的多個面部關(guān)鍵部位，包括：

確定所述面部表情圖像的關(guān)鍵部位特征點的空間坐標(biāo)，并依據(jù)所述空間坐標(biāo)提取多個面部關(guān)鍵部位，其中，所述關(guān)鍵部位特征點至少包括：左右瞳孔、鼻尖、嘴角。

4.根據(jù)權(quán)利要求1所述的表情識別方法，其特征在于，所述提取所述面部表情圖像和各面部關(guān)鍵部位的面部表情特征包括：

設(shè)定不同分辨率下的特征提取參數(shù)，采用二維Gabor小波變換分別提取所述面部表情圖像和各面部關(guān)鍵部位的面部表情特征，得到所述面部表情圖像和各面部關(guān)鍵部位的多分辨率面部表情特征。

5.根據(jù)權(quán)利要求1所述的表情識別方法，其特征在于，所述構(gòu)建稀疏分類器對所述面部表情圖像和各面部關(guān)鍵部位的面部表情特征進(jìn)行分類之前，還包括：

基于空間降維的方法對提取的所述面部表情圖像和各面部關(guān)鍵部位的面部表情特征進(jìn)行維數(shù)約簡。

6.根據(jù)權(quán)利要求1所述的表情識別方法，其特征在于，所述構(gòu)建稀疏分類器，依據(jù)提取的所述訓(xùn)練樣本和測試樣本的面部表情特征，對所述測試樣本的面部表情圖像及面部關(guān)鍵部位進(jìn)行表情分類，包括：

構(gòu)建基于L1范數(shù)的稀疏分類器，通過下式定義的L1范數(shù)最小化問題求解所述稀疏分類器的稀疏系數(shù)

依據(jù)Ax＝y(tǒng)

其中，A表示訓(xùn)練樣本特征向量，x表示訓(xùn)練樣本對應(yīng)的稀疏系數(shù)，y表示測試樣本，||·||₁代表L1范數(shù)；

依據(jù)得到的所述稀疏分類器的稀疏系數(shù)計算測試樣本估計值與原值y之間的殘差r_k(y)，其中，表示第k類訓(xùn)練樣本的稀疏系數(shù)向量；

確定測試樣本的類別為殘差最小的測試樣本估計值所對應(yīng)的訓(xùn)練樣本的類別。

7.根據(jù)權(quán)利要求1所述的表情識別方法，其特征在于，所述構(gòu)建稀疏分類器，依據(jù)提取的所述訓(xùn)練樣本和測試樣本的面部表情特征，對所述測試樣本的面部表情圖像及面部關(guān)鍵部位進(jìn)行表情分類，包括：

若測試樣本為部分遮擋的面部表情圖像，所述測試樣本的線性組合可表示為：

y＝Ax+e

$y=\left[\begin{array}{cc}A& I\end{array}\right]\left[\begin{array}{c}x\\ e\end{array}\right]=Bw$

構(gòu)建基于L1范數(shù)的稀疏分類器，通過下式定義的L1范數(shù)最小化問題求解所述稀疏分類器的稀疏系數(shù)

依據(jù)Bw＝y(tǒng)

其中，y表示測試樣本，被遮擋的部分圖像用誤差向量e表示；x表示訓(xùn)練樣本；A表示訓(xùn)練樣本對應(yīng)的訓(xùn)練樣本特征向量；I表示單位矩陣；B表示訓(xùn)練樣本及單位向量的特征向量，w表示訓(xùn)練樣本對應(yīng)的稀疏系數(shù)，||·||₁代表L1范數(shù)；arg表示元素，arg min表示使||w||₁達(dá)到最小值時的w的取值為測試樣本估計值與原值之間的殘差r_i(y)表示為：

其中，y表示測試樣本原值；表示誤差的稀疏系數(shù)向量；表示第i類訓(xùn)練樣本的稀疏系數(shù)向量；確定測試樣本的類別為殘差最小的測試樣本估計值所對應(yīng)的訓(xùn)練樣本的類別。

8.根據(jù)權(quán)利要求1所述的表情識別方法，其特征在于，所述對所述稀疏分類器的表情分類結(jié)果進(jìn)行融合，根據(jù)融合結(jié)果確定所述測試樣本的表情類別,包括：

采用Choquet模糊積分法，結(jié)合測試樣本對表情類別的隸屬度和每個稀疏分類器對訓(xùn)練樣本集的正確識別率，對所述稀疏分類器的表情分類結(jié)果進(jìn)行融合，根據(jù)融合結(jié)果確定所述測試樣本的表情類別；

所述Choquet模糊積分可以初步定義為：

其中，h_k(a)表示a屬于第k類的隸屬度，g(·)表示模糊密度，A及a表示稀疏分類器；表示函數(shù)復(fù)合運算；Sup表示上確界，即最小上界；κ表示h函數(shù)在區(qū)間[0,1]上的最小值；a＝{a₁，a₂，…，a_n}，A_i及a_i表示第i個稀疏分類器，n表示稀疏分類器的數(shù)目，將h_k(a_i)按非降序排列，h_k(a₁)≤h_k(a₂)≤…≤h_k(a_n)，則所述Choquet模糊積分可以定義為：

${\∫}_A{h}_k\left(a\right)dg(\·)=\underset{i=1}{\overset{n}{\Σ}}\[h_k\left(a_i\right)-h_k\left(a_{i-1}\right)\]g\left(A_i\right)$

其中，

g(A_i)和gⁱ表示第i個稀疏分類器的模糊密度，λ是等式的根；

模糊密度g¹,g²,g³,g⁴從訓(xùn)練樣本集中得到，可以表示為：

[g¹,g²,g³,g⁴]＝[w1·w2·p₁,w1·(1-w2)p₂,(1-w1)w2·p₃,(1-w1)(1-w2)p₄]

其中，p_i(i＝1,2,3,4)∈[0,1]表示第i個稀疏分類器對訓(xùn)練樣本集的正確識別率；w1和w2∈[0,1]是兩個權(quán)重因子；

隸屬度h_k(a)是基于向量夾角的相似度h_ik：

$h_{ik}=\frac{y_i^T{\stackrel{\‾}{a}}_{ik}}{\left|\right|y_i\left|\right|\·\left|\right|{\stackrel{\‾}{a}}_{ik}\left|\right|}$

其中，y_i表示測試樣本y在第i個稀疏分類器中的特征向量，T表示轉(zhuǎn)置，表示第i個分類器中屬于第k類的所有特征向量的平均向量，||·||表示歐氏范數(shù)。

9.一種表情識別系統(tǒng)，其特征在于，包括：

獲取模塊，用于獲取面部表情圖像作為訓(xùn)練樣本和測試樣本，并提取所述面部表情圖像的多個面部關(guān)鍵部位；

提取模塊，用于提取所述面部表情圖像和各面部關(guān)鍵部位的面部表情特征；

分類模塊，用于構(gòu)建稀疏分類器，依據(jù)提取的所述訓(xùn)練樣本和測試樣本的面部表情特征，對所述測試樣本的面部表情圖像及面部關(guān)鍵部位進(jìn)行表情分類；

融合模塊，用于對所述稀疏分類器的表情分類結(jié)果進(jìn)行融合，根據(jù)融合結(jié)果確定所述測試樣本的表情類別。

10.根據(jù)權(quán)利要求9所述的表情識別系統(tǒng)，其特征在于，所述系統(tǒng)還包括：

降維模塊，用于基于空間降維的方法對提取的所述面部表情圖像和各面部關(guān)鍵部位的面部表情特征進(jìn)行維數(shù)約簡。