一種基于局部稀疏表示分類器的人臉情感識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明提供了一種基于局部稀疏表示分類器的人臉情感識(shí)別方法，屬于醫(yī)療健 康、圖像處理和模式識(shí)別技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著信息技術(shù)的不斷發(fā)展，情感計(jì)算已廣泛應(yīng)用在智能機(jī)器人、智能玩具、游戲、 電子商務(wù)等領(lǐng)域，以構(gòu)筑更加擬人化的風(fēng)格和更加逼真的場(chǎng)景。例如在人機(jī)交互方面，一個(gè) 擁有情感能力的計(jì)算機(jī)能夠?qū)θ祟惽楦羞M(jìn)行獲取、分類、識(shí)別和響應(yīng)，進(jìn)而幫助使用者獲得 高效而又親切的感覺(jué)，并能有效減輕人們使用電腦的挫敗感，甚至能幫助人們理解自己和 他人的情感世界。在智能交通方面可采用情感計(jì)算技術(shù)檢測(cè)駕駛司機(jī)的精力是否集中，其 感受到的壓力水平等，進(jìn)而做出相應(yīng)的反應(yīng)。情感也反映了人類的心理健康情況，情感計(jì)算 的應(yīng)用可以有效地幫助人們避免不良情緒，保持樂(lè)觀健康的心理。
[0003] 人臉表情在人與人之間的交流中起著至關(guān)重要的作用。人臉表情包含了豐富的情 感信息，可直接體現(xiàn)出不同的情感狀態(tài)信息，人臉情感識(shí)別就是通過(guò)分析一個(gè)人的人臉表 情來(lái)察覺(jué)對(duì)方的內(nèi)心情感狀態(tài)。
[0004] 盡管人臉情感識(shí)別已經(jīng)取得了較多的研究成果，但是在實(shí)際應(yīng)用當(dāng)中，人臉圖像 容易受到腐蝕（Corruption)、遮擋（Occlusion)等因素的影響，因而識(shí)別的準(zhǔn)確率仍然有 待提高。其中的一個(gè)主要原因是人臉圖像數(shù)據(jù)的高維問(wèn)題，目前應(yīng)用在人臉情感識(shí)別方 面的特征選擇方法不大適用于高維數(shù)據(jù)，難以在高維數(shù)據(jù)中選擇到合適的特征子集，這 些局限使得目前的情感識(shí)別的準(zhǔn)確率不高。但是在其它領(lǐng)域，已出現(xiàn)一些非常有效的特 征選擇算法，例如 MCFS 算法（Deng Cai, Chiyuan Zhang, Xiaofei He, Unsupervised feature selection for multi-cluster data, Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining 2009),這種方法 能夠在高維空間中選擇出合適的特征，并能有效地用于人臉識(shí)別。本發(fā)明將其用于人臉情 感識(shí)別。
[0005] 人臉情感識(shí)別中的另一個(gè)問(wèn)題是數(shù)據(jù)的稀疏問(wèn)題，目前很多分類算法對(duì)數(shù)據(jù)的稀 疏性非常敏感。稀疏導(dǎo)致數(shù)據(jù)之間度量的失敗，進(jìn)而導(dǎo)致分類缺乏依據(jù)。近年來(lái)，Donoho、 Baraniuk、Candes等人提出了一種新的采樣理論，即壓縮感知CS (Compressive Sensing、 Compressed Sensing、Compressive Sampling)理論，其已在信息論、圖像處理、人臉識(shí) 另1J、視頻追蹤等領(lǐng)域受到了高度關(guān)注，例如稀疏表示分類器SRC (Sparse Representation Classifier)已成功用于人臉表情識(shí)別領(lǐng)域，取得了較好效果。但是SRC對(duì)噪音敏感，準(zhǔn) 確率還需進(jìn)一步提高，本發(fā)明提出局部稀疏表示和局部相對(duì)稀疏表示分類器來(lái)實(shí)現(xiàn)情感識(shí) 另IJ，獲得了更高的識(shí)別準(zhǔn)確率。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明要解決的技術(shù)問(wèn)題是：解決高維數(shù)據(jù)的特征選擇問(wèn)題和稀疏表示分類問(wèn) 題，以提高情感識(shí)別的準(zhǔn)確率。
[0007] -種基于局部稀疏表示分類器的人臉情感識(shí)別方法，其特征在于該方法包括以下 步驟：
[1] 采集人臉表情圖像；
[2] 采用Gabor小波變換構(gòu)造人臉表情的特征向量；
[3] 根據(jù)MCFS算法選擇特征，獲得降維后的人臉表情特征向量；
[4] 采用局部稀疏表示分類器分類降維后的人臉表情特征向量，獲得對(duì)應(yīng)的情感類別。
[0008] 其中MCFS特征選擇算法包括以下步驟：
【主權(quán)項(xiàng)】
1. 一種基于特征選擇和局部稀疏表示的人臉情感識(shí)別方法，其特征在于該方法包括w 下步驟；[1]采集人臉表情圖像；[2]采用Gabor小波變換構(gòu)造人臉表情的特征向量；[3] 利用 MCFS (unsupervised Fea1:ure Selection for Multi-Cluster data)算法選擇特征， 獲得降維后的人臉表情特征向量；[4]采用基于局部稀疏表示分類器分類降維后的人臉表 情特征向量，獲得對(duì)應(yīng)的情感類別。
2. 根據(jù)權(quán)利要求1所述的一種基于特征選擇和局部稀疏表示的人臉情感識(shí)別方法，其 特征在于所述的步驟巧]，采取特征選擇算法MWS選擇特征。
3. 根據(jù)權(quán)利要求1和權(quán)利要求2所述的一種基于特征選擇和局部稀疏表示的人臉情 感識(shí)別方法，其特征在于，所述的步驟[4]采用的基于局部稀疏表示分類器包括W下步驟： [1]針對(duì)測(cè)試樣本，分別從訓(xùn)練集中每個(gè)類別的訓(xùn)練樣本中選出K個(gè)最近鄰樣本；[2]計(jì)算 測(cè)試樣本在每個(gè)類選擇的K個(gè)最近鄰樣本中的稀疏表示誤差；[3]將測(cè)試樣本分類到稀疏 表示誤差最小的情感類別中。
4. 根據(jù)權(quán)利要求1和權(quán)利要求2所述的一種基于特征選擇和局部稀疏表示的人臉情感 識(shí)別方法，所述的步驟[4]采用的基于局部稀疏表示分類器包括W下步驟；[1]針對(duì)測(cè)試 樣本，分別從訓(xùn)練集中的每個(gè)類別的訓(xùn)練樣本中選出K個(gè)最近鄰樣本；[2]構(gòu)造包括測(cè)試樣 本和選出的所有最近鄰樣本的集合S ; [3]對(duì)集合S做相對(duì)變換，獲得變換后的測(cè)試樣本和 每個(gè)類的K個(gè)最近鄰樣本；[4]計(jì)算變換后的測(cè)試樣本在每個(gè)類變換后的K個(gè)最近鄰樣本 的稀疏表示誤差；[引將測(cè)試樣本分類到稀疏表示誤差最小的情感類別中。
5. 根據(jù)權(quán)利要求4所述的一種基于特征選擇和局部稀疏表示的人臉情感識(shí)別方法，其 特征在于，所述的步驟[3]對(duì)測(cè)試樣本和每個(gè)類選出的K個(gè)最近鄰樣本的集合實(shí)施相對(duì)變 換。
6. 根據(jù)權(quán)利要求4所述的一種基于特征選擇和局部稀疏表示的人臉情感識(shí)別方法，其 特征在于，所述的步驟[4]計(jì)算變換后的測(cè)試樣本在每個(gè)類變換后的K個(gè)最近鄰樣本中的 稀疏表示誤差。
【專利摘要】本發(fā)明公開(kāi)了一種基于局部稀疏表示分類器的人臉情感識(shí)別方法，其特征在于包括步驟：采集人臉表情圖像；Gabor小波變換構(gòu)造人臉表情圖像的特征向量；利用特征選擇算法MFCS選擇特征；采用局部稀疏表示的分類器識(shí)別情感類別。與現(xiàn)有技術(shù)相比，本發(fā)明具有情感識(shí)別準(zhǔn)確率高，情感識(shí)別快，對(duì)人臉不敏感等優(yōu)點(diǎn)。
【IPC分類】G06K9-62, G06K9-00
【公開(kāi)號(hào)】CN104636711
【申請(qǐng)?zhí)枴緾N201310565426
【發(fā)明人】不公告發(fā)明人
【申請(qǐng)人】廣州華久信息科技有限公司
【公開(kāi)日】2015年5月20日
【申請(qǐng)日】2013年11月15日