基于GPU加速的人脸表情识别及互动方法

摘要

本发明涉及一种基于GPU加速的人脸表情识别及互动方法，属于模式识别领域。构造了一个基于GPU加速的快速识别微表情的方法框架，首先通过普通摄像头或者视频采集用户人脸图像，使用基于Haar特征及AdaBoost的识别方法进行人脸检测以及人脸特征点识别，识别出用户的瞳孔、鼻尖等位置坐标，并将人脸分为若干个关键区域，使用基于GPU加速的Gabor滤波方法，对整张人脸进行5个尺度8个方向的Gabor滤波，并对人脸特征点附近的关键区域进行特征提取。本发明将CK、CK+、MMI等数据库中提取的特征根据微表情出现与否对标签进行标记，通过将带标签的特征投入SVM支持向量机，获得识别模型。用户通过将提取出的特征投入识别模型，获得微表情的具体信息。

主权项

一种基于GPU加速的人脸表情识别及互动方法，其特征在于：包括以下步骤：步骤（1）、通过普通摄像头或者视频获得动态人脸表情：将普通摄像头连接到计算机，并将普通摄像头放置于演奏者脸部正前方，距离人脸50‑60厘米，通过摄像头获得包含正面人脸的图像；步骤（2）、使用基于Haar特征和AdaBoost级联分类器的识别方法对人脸进行检测，提取出离摄像头最近，即占据画面最大的人脸图像：步骤（3）、通过提取出的人脸图像，使用基于Haar特征及AdaBoost的识别方法，识别出瞳孔、鼻尖位置坐标；步骤（4）、将人脸分为若干个关键区域：通过对人脸微表情的分析，我们将人脸分为若干个区域，其中，以瞳孔位置为中心，向左15像素，向右15像素，向上35像素，向下15像素的区域为眉毛表情区域，用来检测眉毛的细微变化，另外分别还有覆盖眼睛微表情、面颊微表情以及嘴唇微表情的区域；步骤（5）、对整张人脸实现基于GPU加速的Gabor滤波：Gabor滤波需要大量分别对Gabor核实部和虚部的卷积操作，Gabor核越大，卷积图像越大，耗时越长，我们选用21*21像素大小的Gabor核，卷积图像为150*150；针对卷积算法耗时长的特性，使用了基于FFT的方法，将空间域的卷积操作转化为频率域的相乘操作，每次卷积只需要1次FFT变换，1次相乘和1次逆FFT变换，时间复杂度为nlog(n)，可以达到较快的速度，同时使用GPU加速并行处理技术，对FFT变换进行加速，同时将Gabor核的FFT变换结果保存在显存中，减少运算的时间；Gabor滤波之后，每个像素点都拥有40个幅值作为特征；步骤（6）、对人脸特征点附近的关键区域进行特征提取：       通过将步骤（4）中获得的眉毛表情区域ROI以及其他ROI，将每一个ROI中的像素点根据从左到右、从上到下的顺序进行排列，再将40个幅值代入，得到这个ROI的特征；步骤（7）、如果此时为训练模式，则将提取出的特征根据微表情出现与否打上标签，并通过增量SVM训练的方式生成识别模型：CK、CK+、MMI人脸表情数据库中，包含表情的图片以及制作者手工标记的微表情信息，通过将对应的图像通过步骤（1）至步骤（6），获得对应的特征，通过根据制作者手工标记的微表情信息，以具体微表情作为分类集合微表情区域特征，通过带惩罚的SVM支持向量机进行训练，其中惩罚参数为10，获得微表情识别模型；共对16个表情进行识别，所以生成了16个微表情识别模型；步骤（8）、如果此时为识别模式，则将提取出的特征投入对应的识别模型中，获得微表情的具体信息：通过步骤（7），可以生成16个微表情识别模型，通过将步骤（6）中生成的特征，投入到相应的C‑SVM中，可以准确的获得微表情是否出现的信息。