基于PWLD和D-S证据理论的人脸表情识别方法

摘要

本发明公开一种基于PWLD和D-S证据理论的人脸表情识别方法，该方法包括如下步骤：首选选取人脸表情数据库；然后对已选取的图像进行预处理；分别提取步骤2得到的两个显著区域图像的PWLD特征；将步骤3提取的PWLD特征用D-S证据理论进行分类识别；根据D-S联合规则进行决策判断，得出最终判别结果。本发明的目的在于克服传统的WLD对于局部描述不强，表情识别率低和识别时间长的问题，具有更好的局部信息表征能力，对于图像局部纹理描述更加精确，可以更好地提取全局和局部特征。

主权项

一种基于PWLD和D‑S证据理论的人脸表情识别方法，其特征在于该方法包括如下步骤：步骤1：选取人脸表情数据库采用已知表情的人脸表情数据库作为训练集，并选取训练集中某一类表情的一张人脸图像作为测试集；步骤2：对所有图像进行预处理用AdaBoost算法检测人脸，得到只含有人脸表情的人脸图像后，用双向灰度积分投影法对检测出的人脸图像的眼睛定位，然后对人脸图像进行尺度归一化处理，将所有人脸图像尺度归一化为128×128像素，将归一化处理后的人脸图像分割出两个较小的显著区域图像，显著区域图像一为仅含有眉毛、眼睛的图像，显著区域图像二为仅含有嘴巴的图像；步骤3：按照如下步骤分别提取步骤2中两个显著区域图像的PWLD特征S1、将显著区域图像一分成3层，显著区域图像二分成2层，每一层图像均由方形且大小均等的图像块构成，且每层图像块的数量为4^l，l为图像块所在层的层次，对于显著区域图像一，l＝0，1，2；对于显著区域图像二，l＝0，1；即下一层图像为由上一层图像的各图像块按宽和高等分成更小的图像块构成；S2、对显著区域图像一和显著区域图像二，分别提取每一层每个图像块的WLD一维直方图；S3：将每一层每个图像块的WLD一维直方图乘以一个归一化系数，与每一图像块所对应的归一化系数l为图像块所在层的层次；并把同一显著区域图像的每一层每个图像块的归一化后的WLD一维直方图级联，即得到与相应的显著区域图像的PWLD特征；步骤4：将步骤3提取的PWLD特征用D‑S证据理论进行分类S1：按照上述步骤3的方法得到每一幅图像的每一个显著区域图像的PWLD特征后，计算测试集图像的每一个显著区域图像的PWLD特征分别与训练集中每一类表情的每一张图像的相对应的显著区域图像的PWLD特征的卡方距离D(T,S),可由下式求得：$D(T,S)=\underset{t=1}{\overset{N}{\Sigma }}{(T_t-S_t)}^2/(T_t+S_t)$T是测试集的联合直方图，S是训练集的联合直方图，N是直方图值的分数，T_t是测试集直方图中取t的个数，S_t是训练集直方图中取t的个数；S2；选取S1计算的测试集与训练集每一类表情的每一张图像的最小卡方距离作为这一类表情的第一最终卡方距离d_i′_,j，i是表情的显著区域，i＝1，2，j是表情的类别数目，j＝1，2，…,N；S3：用下式对所有的第一最终卡方距离d_i′_,j进行归一化：$d_{i,j}=\frac{d_{i,j}^{\prime }}{\underset{j=1}{\overset{N}{\Sigma }}{d}_{i,j}^{\prime }}$上式中：i是表情的显著区域，i＝1，2；j是表情的类别数目，j＝1，2，…,N；归一化后得到的第二最终卡方距离d_i,j∈[0,1)，将第二最终卡方距离di,j由小到大排序；S4：构造指数函数将归一化后的最终卡方距离d_i,j作为x带入上述指数函数，完成归一化后的最终卡方距离d_i,j到基本概率分配函数的映射；S5：定义证据i对类别μ_j的基本概率分配函数为m_i(μ_j)$m_i=\left({\mu }_j\right)=\beta \times (e^{-13{(d_{i,j}+0.06)}^2}+0.05)$其中：β为调节系数，使得β取值范围为(0，0.8)；S6：由S5的基本概率分配函数构造的不确定性分配函数m_i(θ)如下：$m_i\left(\theta \right)=1-\underset{j=1}{\overset{N}{\Sigma }}{m}_i\left({\mu }_j\right)$此处i是表情的类别区域，j是表情的类别数目；S7：将显著区域一的基本概率分配值m₁(μ_j)与显著区域二的基本概率分配值m₂(μ_j)用D‑S合成法则融合，得到融合后的基本概率分配值m(μ_j)，最后得到融合后的不确定性分配值m(θ)；步骤5：根据D‑S联合规则进行决策判断，得出最终判别结果。