基于谱稀疏典型相关分析的表情语义稀疏量化方法

摘要

本发明公开了基于谱稀疏典型相关分析的表情语义稀疏量化方法，属于图像处理的技术领域。本发明通过在典型相关分析中引入表情图像特征矩阵的谱分解表示方法，将典型相关分析与表情图像特征矩阵的谱稀疏选择相结合；通过采用方向交错优化法确定最佳投影参数以及最佳变换矩阵；在提取待测人脸图像表情语义特征向量时，通过在最小二乘回归方法中增加L1范式的稀疏惩罚项，实现对待测表情图像的表情语义信息的稀疏量化评估。本发明具有识别率更高、鲁棒性更好的表情识别效果。

主权项

基于谱稀疏典型相关分析的表情语义稀疏量化方法，其特征在于包括如下步骤：步骤1，从训练人脸表情图像样本集中提取表情特征矢量集F、情感语义特征矢量集Y：步骤1‑1，在每幅人脸图像上定位34个反映人脸表情变换特性的几何特征点，将每幅表情图像分别与30个二维Gabor小波进行卷积，并取34个几何特征点位置处的卷积结果的幅度值作为表情特征，构建表情特征矢量集F,所述二维Gabor小波对应于5个尺度和6个旋转方向；步骤1‑2，计算表情特征矢量集F的协方差矩阵C，对协防差矩阵C进行奇异值分解得到白化矩阵P；步骤1‑3，用白化矩阵白化处理表情特征矢量集，利用模糊K近邻算法计算白化处理后的表情特征矢量集得到情感语义特征矢量集Y：构造N幅表情图像对应的特性向量x₁,…,x_N，给近邻数K赋值，计算任意两个样本点x_r和x_l之间的距离d_rl，并记为d_rl＝d(x_r,x_l)，令D是一个N×N矩阵，其每个元素由距离d_rl构成，并令矩阵的对角元素取无穷大，近邻数K采用交叉验证方法确定，对矩阵D的每列元素以升序进行排序，选择所有模式中位于K近邻的模式的类别标签，利用表达式：计算第j个样本属于第i类的隶属度其中：代表与第j个样本相邻且属于第i类的样本数目；步骤2，利用谱稀疏典型相关分析方法得到投影方向矩阵将表情特征矢量集和情感语义矢量集按照投影方向矩阵求解得到表情投影矢量集$\Omega =[{\omega }_x^1,···,{\omega }_x^r]$和情感语义投影矢量集$\Phi =[{\omega }_y^1,···,{\omega }_y^r];$步骤3，采用方向交错优化计算最佳变换矩阵，所述最佳变换矩阵定义为使得表情投影矢量集按照最佳变换矩阵变换后与情感语义投影矢量集的均方误差最小；步骤4，利用最小二乘法对待测试人脸表情图像进行特征提取，获得待识别人脸表情图像的Gabor表情特征矢量、情感语义特征矢量，将所述Gabor表情特征矢量、情感语义特征矢量按照步骤1至步骤3所述的训练人脸表情图像样本集的线性关系变换，得到识别结果。