一種新的表情識別方法

王晨星 梁宇

摘要 本文提出了一種人臉表情識別的方法，首先對人臉表情圖像進行局部二值模式（LBP），然后對編碼后的圖像進行分塊直方圖特征統(tǒng)計，最后采用極限學習機進行分類識別，實驗結果說明本文的算法識別率高、計算速度快、有很大的優(yōu)越性。

【關鍵詞】人臉表情識別 LBP 極限學習機

1 引言

人臉表情識別作為情感識別的一個方面，在人際交流中起到非常重要的作用，不僅是展示情緒，更是傳播情感信息與協(xié)調雙方關系的重要方式，因而人臉識別技術成為當今研究的一個熱點。

人面部表情識別的過程一般包括三個步驟：人臉定位，特征提取和分類識別，而本文的研究重點放在虛線框內所示的特征提取和分類識別步驟，它們決定著誤差的大小即分類識別效果的好壞。

2 面部表情特征提取

LBP的基本思想是：通過固定大小子模塊特征分析，統(tǒng)計得到圖像的整體特征提取。在3x3鄰域窗口T內，可以將像素點分成兩個部分，一個中心像素點g。和與之相鄰的8個像素g0，…，g7。這個窗口紋理T定義為：

T～（g0-gc，…，g7-gc） （1）

對窗口內的八個相鄰像素點以中心像素點ge為基準做二值化操作。其過程為：將中心像素點gc的灰度值設定為閾值，并分別用相鄰8個像素點的灰度值與該閾值比較大小，如果某像素點的灰度值小于或等于中心點的閾值，則標志該像素位置為O;否則，標記為1。二值后的窗口紋理T應表示成

T≈t（ s（g0-gc），…，s（g7-gc）） （2）

像素點二值化處理可表示為：

經過公式計算后，該窗口中8個相鄰像素位置得到了8個二進制數，為統(tǒng)一編碼，以十點鐘方向為起點，按順時針方向讀取這8個二進制數，得到一個相對應的二進制模式作為該像素點的矩形塊特征值，按公式將二進制模式轉換為十進制數，就得到該像素點（中心像素點gc）的LBP值，即描述圖像紋理特征的LBP值表示為：

最后對LBP紋理圖像進行分塊直方圖統(tǒng)計，即可獲得本文要使用的LBP特征向量。

3 基于極限神經網絡的人臉識別

Huang等在文獻[2]中提出，前饋神經網絡的輸入層連接權值無需進行訓練，可以隨機設置，當給定了網絡的隱層結點數目和輸入層的連接權值以后，前饋神經網絡的隱層輸出矩陣H就變成了一個己知的矩陣，只需要求出輸出權值β的正則化最小二乘解就可以完成對網絡的訓練。

極限學習機具有速度極快，泛化性良好，參數選擇簡單的特點，相對BP網絡，支持向量機等算法具有很多優(yōu)勢，已經取得很多應用。

4 實驗分析

本實驗采用JAFFE表情數據庫為數據基礎。表情數據庫JAFFE是日本ART建立的10個日本女人的表情，示例如圖1，從左至右依次為驚訝、悲傷、害怕，生氣、厭惡，高興和中性。

將本文的LBP算子特征結合ELM分類的方法，和Gabor特征ELM分類方法以及LBP-SVM算法、LBP-BP算法進行對比，實驗結果如表1所示。

從表1中的對比結果看可以看出本文的LBP特征ELM分類的方法取得了最佳的識別精確且消耗的時間最短，這也說明了本文算法是十分有效的。

5 結論

本文主要研究基于LBP特征并結合極限學習機算法的人臉表情識別，并且其他算法的識別性能進行了分析對比，實驗結果表明本文的算法識別率高，計算速度快，優(yōu)于對比算法。

參考文獻

[1]王大偉，周軍，梅紅巖，張素娥.人臉表情識別綜述[J].計算機工程與應用，2014， 50（20）：149-157+181.

[2] Guang-Bin Huang， Qin-Yu Zhu andChee--Kheong Siew. Extreme LearningMachine：Theory and Applications [J].Neurocomput ing， 2006， 70 （1-3）： 489-501.

[3]許學斌，管曉宏，鄧萬宇等，基于多分類投影極速學習機的快速人臉識別方法[J].微電子學與計算機，2012， 29 （07）：14-17.

[4] Weiweizong， Guang-BinHuang. FaceRecognition based on extremelearning machine [J]. Neurocomputing， 2011， 74： 2541-2551

[5]Michael J L，Julien Budynek， ShigeruAkamat su. Au toma tic

Clas sificationof Single Facial Images [J].IEEE Transactions on PatternAnalysis and Machine Intelligence，1999，21（12）：1357-1362.