人臉表情識別：一種權值優化LGC特征直方圖的方法

張波 武高雨

摘要：人臉表情的主要信息集中在人的眉毛、眼睛、嘴巴等特征中。但是，人臉中還存在影響表情描述的干擾信息，并且特征向量會受這些信息的影響。為了盡可能減少這種干擾信息的含量，提出一種權值優化LGC特征直方圖的方法。首先，提取基于LGC算子的特征直方圖，其次，使用權值對特征直方圖進行優化，最后，使用支持向量機對提取的特征進行分類。實驗證明，該方法可以有效地提高面部表情的識別率。

關鍵詞：表情識別;權值優化;LCC特征直方圖;支持向量機

中圖分類號：TP3-05 文獻標識碼：A

文章編號：1009-3044（2019）34-0192-02

1 概述

人與機器之間的高級智能交互是研究表情識別的重要目標之一，而面部表情識別（Facial expression recognition，FER）是實現這一目標的必經階段。表情識別的內容主要包括：1）圖像預處理;2）人臉檢測;3）表情特征提取;4）表情分類。

在整個面部表情識別過程中，最重要的是表情特征提取。相較于其他特征提取方法，局部特征的方法對姿態變化、遮擋以及光照等因素的影響具有較強魯棒性，其中局部二進制模式[1]（LBP）和Gabo[2]小波變換是最具有代表性的兩種方法。Ga-bor小波變換能夠檢測出多尺度、多方向紋理的變化，但是它的特征尺度巨大并且耗時相對較長。

和Gabor小波變換相比，LBP算法可以快速提取面部表情特征，并且具有強大的紋理識別能力。傳統的LBP算法是通過對中心像素與周圍的八個像素進行比較獲得局部紋理特征，缺點是無法準確地描述面部肌肉、皺紋以及其他局部形變的紋理信息的分布趨勢。針對這些問題，2014年，Ying Tongc3]等人提出了LGC算法，但這種方法仍然避免不了干擾信息。因此，本文提出了一種權值優化LGC （WLGC）特征直方圖的方法，減少干擾信息的含量。

2 LBP和LCC方法原理

傳統的LBP算子是中心像素與周圍八個相鄰像素的灰度值比較，如果比中心像素灰度值大的則為l，否則為0，從左上方順時針讀值，先讀的值為二進制的低位，最后得到一個八位的二進制數，再轉化為十進，即得到該中心像素的LBP算子。LBP算子的定義如公式（1）所示。

然而，傳統的LBP算法僅考慮了中心像素與相鄰像素，忽略相鄰像素之間的灰度級關系。LGCc3]算子是針對八個相鄰像素，分別對橫向、縱向和對角線方向上的灰度值進行比較得到一個八位的二進制數。其公式定義如（2）所示。這種編碼方式與人的眼睛，嘴巴，額頭等特征點的變化趨勢保持一致，并充分考慮了紋理變化對表情分類的影響。例如，圖1中的兩個示例經過改進后的LGC編碼分別為（0000000012和f0001111112。

3 本文方法

特征提取階段在任何模式識別系統中都是一個被關注的焦點。在本文中，提出了WLGC方法，該方法通過對LGC[3]做進一步的優化，來達到提高識別率的目的，整個方法的結構框架如上圖2所示。

在人臉圖像中，統計相同像素值得到對應直方塊，鏈接不同像素的直方塊得到特征直方圖。同一像素塊中的像素可能來自不同的部位，然而，這些信息并不確定能夠描述表情特征，這就會使特征直方圖中包含干擾信息進而影響表情分類。如圖5所示，同一直方塊中的灰度值可能來自眼睛，也可能來自頭發，而頭發并不能描述表情信息，即便將圖像進行分塊，這種情況也無法避免。針對這一問題，提出WLGC方法。該方法的主要思想是通過權值C減少一部分干擾信息在特征向量中的相對含量，同時也增加有用信息所占的比例，以此來達到優化已獲取的LGC特征向量的目的，WLGC算法的公式定義如下：

FWLGC（X） =f LGC（X）xC （3）

特征提取步驟：1）將人臉圖像處理成塊;2）用LGC算子提取出每個子塊的局部梯度差異的值[3]，并對其進行直方圖統計，鏈接所有子塊的LGC直方圖，并構建整個圖像的識別特征fLGC（ X）;3）定義C的范圍以及具體的權值，枚舉（0，1）的范圍內具有代表性的數值并對C進行賦值，取不同值分別對LGC特征直方圖進行優化，得出優化的特征向量F1VLGC（X）。

4 表情分類方法

5 實驗結果及分析

實驗采用Cohn-Kanad[5]表情庫，該表情庫在當前的面部表情研究領域中是最全面的數據庫之一。從表情庫中一共選取540圖像，這些人臉圖像涵蓋六種表情，即生氣、厭惡、恐懼、高興、悲傷和驚訝，每種表情90張，從每一類中任意選取30張圖像作為訓練樣本，其余圖像作為測試樣本。

實驗中，權值和分塊是影響識別率的重要因素，適當的配置可以提高表情識別率，當圖像被分割成4x4塊時，識別率達到最高。一般情況下，干擾信息存在于各個直方塊中，因此，將權值區間定在（0，1）之間并進行實驗，權值為0.9時，識別率與原來相比有所提高并且分類時間并無明顯差別。為了證明該方法的優越性，同其他的方法進行比較的結果如表1所示。

6 結束語

針對特征直方圖中存在干擾信息并影響表情識別率的問題，提出了一種權值優化LGC特征直方圖的方法。實驗結果表明，該方法可以有效地減少無用信息在特征向量中的含量，突出有用信息在向量中所占的比例，突破算法本身的局限性，提高表情識別率，并且使分類時間保持穩定。但是，由于圖像個體原因，例如，圖像剪裁、旋轉、人臉型大小等因素的影響，權值無法唯一確定，希望未來能夠進一步研究該方法，在保證高識別率的條件下，使表情識別能夠自適應于不同的條件。

參考文獻：

[1]T.Ojala，M.Pietikainen. D.A. Harwood， Comparative study oftexture measures with classification Based on feature distribu-tions. Pattern Recogn，1996，29（1）：5 1-59.

[2]J.G.Daugman， Uncertainty relation for resolution in space，spatial frequency，and orientation optimized by two-dimension-al visual cortical filters，J.Opt. Soc. Am， （1985，2 （7）： 1160-1169.

[3]Y.Tong，R.Chen，Y.Cheng. Facial expression recognition al-gorithm using LGC Based on horizontal and diagonal priorprinciple[J]. Optik - International Journal for Light and Elec-tron Optics，2014.

[4] C.C Lai，C.H Ko，Facial expression recognition Based on two-stage features extraction[J].Optik- Optik - International Jour-nal for Light and Electron Optics，2014.

[5]T.Kanade，J.Cohn，Y.Tian， Comprehensive database for fa-cial expression analysis， in： Fourth lEEE International Confer-ence on Automatic Face and Gesture Recognition， 2000：46-53.

[通聯編輯：李雅琪]

收稿日期：2019-08-11

作者簡介：張波（1978-），中國聯合網絡通信有限公司河南省分公司，工程師。