CN104778472A - 人脸表情特征提取方法 - Google Patents

人脸表情特征提取方法 Download PDF

Info

Publication number
CN104778472A
CN104778472A CN201510202840.0A CN201510202840A CN104778472A CN 104778472 A CN104778472 A CN 104778472A CN 201510202840 A CN201510202840 A CN 201510202840A CN 104778472 A CN104778472 A CN 104778472A
Authority
CN
China
Prior art keywords
lwbp
image
formula
value
sigma
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510202840.0A
Other languages
English (en)
Other versions
CN104778472B (zh
Inventor
童莹
陈晨
焦良葆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing tianzhixin Technology Co.,Ltd.
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201510202840.0A priority Critical patent/CN104778472B/zh
Publication of CN104778472A publication Critical patent/CN104778472A/zh
Application granted granted Critical
Publication of CN104778472B publication Critical patent/CN104778472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供一种人脸表情特征提取方法,将人脸表情图像分为N个块图像,每个子图像的大小为m×n;由局部加权二值模式即LWBP分别计算出每个块图像中所有像素的LWBP1和LWBP2编码值;分别统计每个块图像的LWBP直方图;将块图像的两个直方图直接叠加得到直方图作为最终的块图像LWBP特征;将所有块图像的统计直方图顺序连接起来,得到用于分类识别的整个图像的LWBP特征向量。通过分别计算两组对称的共八个模板的加权灰度值,比较各个方向加权值与平均加权值的大小并进行编码,它综合考虑了不同方向上邻域像素的灰度变化,能够有效表征人脸表情细节特征,且对噪声有一定的鲁棒性,且识别速度明显加快,具有实用性。

Description

人脸表情特征提取方法
技术领域
本发明涉及一种人脸表情特征提取方法。
背景技术
人脸表情包含丰富的人体行为信息,是人类情绪的一种表现形式,也是人们进行非语言交流有效而重要的手段。人们可以通过表情准确、充分而微妙地表达自己的思想感情,也可以通过表情辨认对方的态度和内心世界。因此,对表情识别进行研究具有重要的学术价值和应用前景,逐渐成为近年来的研究热点。
人脸表情识别是计算机对人脸表情信息进行特征提取并归类的过程,它使计算机能够从人的表情中推断出人的心理,从而实现人机之间的高级智能交互。人脸表情识别系统主要由表情图像预处理、人脸检测与人脸区域分割、表情特征提取和表情分类等部分组成。
表情特征提取是人脸表情识别系统的一个重要环节,是提高表情分类准确性的关键步骤。在众多表情特征提取方法中,局部特征法对光照、姿态等变化具有较强的鲁棒性,其中局部二值模式(Local Binary Pattern,LBP)是代表性方法。LBP算法可以快速提取表情特征,具有强大的纹理判别能力和计算简单等特点,被广泛地应用于纹理分类、图像检索和人脸图像分析中,并且在模式识别领域越来越受欢迎。然而,LBP算法有以下不足:
一、LBP算法将中心像素点灰度值与周围8个邻域像素点灰度值进行比较,大于等于0的编码为1,否则为0。这种编码方法容易受到邻域灰度变化影响,对噪声敏感。
二、LBP算法对每个块(block)图像进行8位编码,得到特征维数是块(block)个数×28,导致图像特征维数过大,降低了识别速度,同时也影响了识别率,在大型数据库上表现更为明显。
发明内容
本发明的目的是提供一种人脸表情特征提取方法,综合考虑了不同方向上邻域像素的灰度变化,区别于传统LBP算法仅比较中心像素与单个邻域像素点的灰度大小,从而能够有效表征人脸表情细节特征,且对噪声有一定的鲁棒性。
本发明的技术解决方案是:
一种人脸表情特征提取方法,其特征在于,包括以下步骤:
S1、将人脸表情图像分为N个块图像,每个子图像的大小为m×n;
S2、由局部加权二值模式即LWBP,采用公式(1)和公式(2)分别计算出每个块图像中所有像素的LWBP1和LWBP2编码值;
LWBP 1 = &Sigma; i = 0 3 b i ( m i - e 1 ) &times; 2 i , b i ( a ) = 1 , a &GreaterEqual; 0 0 , a < 0 , e 1 = 1 4 &Sigma; i = 0 3 m i - - - ( 1 )
LWBP 2 = &Sigma; i = 0 3 b i ( m i - e 2 ) &times; 2 i , b i ( a ) = 1 , a &GreaterEqual; 0 0 , a < 0 , e 2 = 1 4 &Sigma; i = 0 3 m i - - - ( 2 )
公式(1)、公式(2)中,mi(i=0,1…3)为四个方向的加权值,ei(i=1,2)为加权平均值,LWBPi(i=1,2)为编码值;
S3、分别统计每个块图像的LWBP直方图H1和H2
S4、由于LWBP的两组模板是对称的,LWBP1和LWBP2两幅编码图像所隐含的特征信息相似,将块图像的两个直方图H1和H2直接叠加得到直方图H作为最终的块图像LWBP特征,该特征维数为2k=24=16;
S5、将所有块图像的统计直方图顺序连接起来,得到用于分类识别的整个图像的LWBP特征向量,长度为16×N。
进一步地,S2中,局部加权二值模式即LWBP定义如下:
首先,将八个模板按方向分为对称的两组,每组都包含了水平、垂直和两个对角共4个方向;
其次,分别计算两组中4个方向的加权值,将每个加权值与4个方向的加权平均值进行比较,从而判断出灰度变化较大的方向,将灰度变化较大的方向编码为1,其余编码为0;定义式为公式(1)、(2)。
进一步地,S3中,采用公式(3)和公式(4)分别统计每个块图像的LWBP直方图H1和H2
H 1 ( i ) = &Sigma; r = 1 m &Sigma; c = 1 n f ( LWBP 1 ( r , c ) , i ) , f ( a , i ) = 1 , a = i , 0 , a &NotEqual; i , - - - ( 3 )
H 2 ( i ) = &Sigma; r = 1 m &Sigma; c = 1 n f ( LWBP 2 ( r , c ) , i ) , f ( a , i ) = 1 , a = i , 0 , a &NotEqual; i , - - - ( 4 )
公式(3)中LWBP1(r,c)为像素(r,c)的LWBP1值,顺序扫描块图像中所有像素点的LWBP1值,当LWBP1值等于灰度值(i=0,1,2,...,2k-1)时,直方图H1(i)累加1,公式(3)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向;
公式(4)与公式(3)同理,公式(4)中LWBP2(r,c)为像素(r,c)的LWBP2值,顺序扫描块图像中所有像素点的LWBP2值,当LWBP2值等于灰度值(i=0,1,2,…,2k-1)时,直方图H2(i)累加1,公式(4)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向。
本发明的有益效果是:
该种人脸表情特征提取方法,使用八个模板计算八个方向上的邻域灰度加权值,且比较各个方向的加权值与加权平均值大小并进行编码,相比LBP算子仅对邻域单个像素灰度变化进行编码,LWBP特征包含信息更充分也更准确。
一、LWBP算子比LBP算子具有更好的抗噪声性能。
二、LWBP算子中分别采用两组对称的模板得到两个统计直方图,它们包含的信息是相似的,本发明通过直接叠加两个统计直方图得到特征向量,可以达到补偿信息的目的,使表情特征更准确。
三、LWBP算子是进行4位二值编码,特征向量维数大大降低,运行速度加快,具有实用性。
附图说明
图1是实施例中LWBP算子计算模板的示意图。
图2是实施例中LWBP算子编码示例的示意图。
图3是实施例中LBP和LWBP对噪声的鲁棒性对比示意图。
图4是高斯白噪声下JAFFE数据库的LBP算子和LWBP算子的识别率对比示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
实施例分别计算两组对称的共八个模板的加权灰度值,比较各个方向加权值与平均加权值的大小并进行编码,它综合考虑了不同方向上邻域像素的灰度变化,区别于传统LBP算法仅比较中心像素与单个邻域像素点的灰度大小,能够有效表征人脸表情细节特征,且对噪声有一定的鲁棒性。
实施例仅进行4位编码,得到统计直方图长度只有16维,远远低于传统LBP的特征长度,识别速度明显加快,具有实用性。
LWBP算子定义
本发明提出了局部加权二值模式(Local Weighted Binary Pattern,LWBP),其定义如下:
首先,本发明将八个模板按方向分为对称的两组,每组都包含了水平、垂直和两个对角共4个方向,如图1所示。
其次,分别计算两组中4个方向的加权值,将每个加权值与4个方向的加权平均值进行比较,从而判断出灰度变化较大的方向,将其编码为1,其余编码为0,即加权值大于加权平均值的方向编码为1,加权值小于加权平均值的方向编码为0。图2为LWBPi(i=1,2)编码示例。定义式如公式(1)、(2)所示:
LWBP 1 = &Sigma; i = 0 3 b i ( m i - e 1 ) &times; 2 i , b i ( a ) = 1 , a &GreaterEqual; 0 0 , a < 0 , e 1 = 1 4 &Sigma; i = 0 3 m i - - - ( 1 )
LWBP 2 = &Sigma; i = 0 3 b i ( m i - e 2 ) &times; 2 i , b i ( a ) = 1 , a &GreaterEqual; 0 0 , a < 0 , e 2 = 1 4 &Sigma; i = 0 3 m i - - - ( 2 )
公式(1)、(2)中,mi(i=0,1…3)为四个方向的加权值,ei(i=1,2)为加权平均值,LWBPi(i=1,2)为编码值。
LWBP特征提取实现过程
考虑样本图像的位置在很大程度上影响了像素的分布,会对表情判别造成一定误差,因此在人脸表情识别中一般不采用编码图像作为特征值进行识别,而使用统计直方图作为特征向量来消除位置影响,具体实现步骤如下:
将人脸表情图像分为N个块(block)图像,每个子图像的大小为m×n;
采用公式(1)和公式(2)分别计算每个块(block)图像中所有像素的LWBP1和LWBP2编码值;
采用公式(3)和公式(4)分别统计每个块(block)图像的LWBP直方图H1和H2。公式(3)中LWBP1(r,c)为像素(r,c)的LWBP1值,顺序扫描块图像中所有像素点的LWBP1值,当LWBP1值等于灰度值(i=0,1,2,…,2k-1)时,直方图H1(i)累加1。公式(3)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向。公式(4)同理。
H 1 ( i ) = &Sigma; r = 1 m &Sigma; c = 1 n f ( LWBP 1 ( r , c ) , i ) , f ( a , i ) = 1 , a = i , 0 , a &NotEqual; i , - - - ( 3 )
H 2 ( i ) = &Sigma; r = 1 m &Sigma; c = 1 n f ( LWBP 2 ( r , c ) , i ) , f ( a , i ) = 1 , a = i , 0 , a &NotEqual; i , - - - ( 4 )
如图1所示,由于LWBP的两组模板是对称的,所以LWBP1和LWBP2两幅编码图像所隐含的特征信息是相似,需要将它们融合。本发明将块(block)图像两个直方图H1和H2直接叠加得到直方图H作为最终的块(block)图像LWBP特征,该特征维数为2k=24=16。
将所有块(block)图像的统计直方图顺序连接起来,得到可用于分类识别的整个图像的LWBP特征向量,长度为16×N。
收益效果
一、LWBP算子与LBP算子的性能比较
LBP和LWBP分别在JAFFE数据库和Cohn-Kanade数据库上进行实验,结果如表1、表2所示。
表1 JAFFE数据库上不同算法的识别率和时间
表2 Cohn-Kanade数据库上不同算法的识别率和时间
从表1、表2中可以看出,无论是在JAFFE数据库上还是在Cohn-Kanade数据库上,LWBP算法的识别率均高于LBP,同时由于LWBP特征向量维数较少,识别时间大大减少,提高了运行效率。
二、LWBP算子与CBP算子、LDP算子的性能比较
表3 LWBP与CBP、LDP在JAFFE数据库上识别率和识别时间的比较
表4 LWBP与CBP、LDP在Cohn-Kanade数据库上识别率和识别时间的比较
CBP算子和LDP算子是两个改进的LBP算子,被大量文章引用和比较。从表3、表4中可以看出,LWBP算子的识别率均高于CBP和LDP,且运行时间大大缩短,是一种快速有效的表情特征提取算子。
三、LWBP算子对噪声的鲁棒性能分析
LBP算子通过比较邻域像素值与中心像素值的大小进行编码,因此在有噪声的情况下一旦有像素值发生变化就将影响编码结果。LWBP算子对方向加权响应进行编码,即使在有噪声和光照变化的情况下,也会保持其正确性。图3显示了示例模板在加入高斯白噪声前后的变化。加入噪声后,LBP编码的第五位由1变为0,发生错误。然而,在相同的噪声干扰下,LWBP编码值并未改变,说明其较强的鲁棒性。
在人脸表情图像中加入高斯白噪声,方差依次递增。分别用LBP和LWBP对其进行特征提取,结果如图4。可以看出,随着方差的加大,两种算子识别效果都在逐渐下降,但LWBP的识别识别率平均高于LBP达11.16%,所以本文所提出的方法鲁棒性更强。

Claims (3)

1.一种人脸表情特征提取方法,其特征在于,包括以下步骤:
S1、将人脸表情图像分为N个块图像,每个子图像的大小为m×n;
S2、由局部加权二值模式即LWBP,采用公式(1)和公式(2)分别计算出每个块图像中所有像素的LWBP1和LWBP2编码值;
LWBP 1 = &Sigma; i = 0 3 b i ( m i - e 1 ) &times; 2 i , b i ( a ) = 1 , a &GreaterEqual; 0 0 , a < 0 , e 1 = 1 4 &Sigma; i = 0 3 m i - - - ( 1 )
LWBP 2 = &Sigma; i = 0 3 b i ( m i - e 2 ) &times; 2 i , b i ( a ) = 1 , a &GreaterEqual; 0 0 , a < 0 , e 2 = 1 4 &Sigma; i = 0 3 m i - - - ( 2 )
公式(1)、公式(2)中,mi(i=0,1...3)为四个方向的加权值,ei(i=1,2)为加权平均值,LWBPi(i=1,2)为编码值;
S3、分别统计每个块图像的LWBP直方图H1和H2
S4、由于LWBP的两组模板是对称的,LWBP1和LWBP2两幅编码图像所隐含的特征信息相似,将块图像的两个直方图H1和H2直接叠加得到直方图H作为最终的块图像LWBP特征,该特征维数为2k=24=16;
S5、将所有块图像的统计直方图顺序连接起来,得到用于分类识别的整个图像的LWBP特征向量,长度为16×N。
2.如权利要求1所述的人脸表情特征提取方法,其特征在于,S2中,局部加权二值模式即LWBP定义如下:
首先,将八个模板按方向分为对称的两组,每组都包含了水平、垂直和两个对角共4个方向;
其次,分别计算两组中4个方向的加权值,将每个加权值与4个方向的加权平均值进行比较,从而判断出灰度变化较大的方向,将灰度变化较大的方向编码为1,其余编码为0;定义式为公式(1)、(2)。
3.如权利要求1或2所述的人脸表情特征提取方法,其特征在于:S3中,采用公式(3)和公式(4)分别统计每个块图像的LWBP直方图H1和H2
H 1 ( i ) = &Sigma; r = 1 m &Sigma; = c 1 n f ( LWBP 1 ( r , c ) , i ) , f ( a , i ) = 1 , a = i , 0 , a &NotEqual; i , - - - ( 3 )
H 2 ( i ) = &Sigma; r = 1 m &Sigma; c = 1 n f ( LWBP 2 ( r , c ) , i ) , f ( a , i ) = 1 , a = i , 0 , a &NotEqual; i , - - - ( 4 )
公式(3)中LWBP1(r,c)为像素(r,c)的LWBP1值,顺序扫描块图像中所有像素点的LWBP1值,当LWBP1值等于灰度值(i=0,1,2,...,2k-1)时,直方图H1(i)累加1,公式(3)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向;
公式(4)与公式(3)同理,公式(4)中LWBP2(r,c)为像素(r,c)的LWBP2值,顺序扫描块图像中所有像素点的LWBP2值,当LWBP2值等于灰度值(i=0,1,2,...,2k-1)时,直方图H2(i)累加1,公式(4)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向。
CN201510202840.0A 2015-04-24 2015-04-24 人脸表情特征提取方法 Active CN104778472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510202840.0A CN104778472B (zh) 2015-04-24 2015-04-24 人脸表情特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510202840.0A CN104778472B (zh) 2015-04-24 2015-04-24 人脸表情特征提取方法

Publications (2)

Publication Number Publication Date
CN104778472A true CN104778472A (zh) 2015-07-15
CN104778472B CN104778472B (zh) 2017-11-21

Family

ID=53619925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510202840.0A Active CN104778472B (zh) 2015-04-24 2015-04-24 人脸表情特征提取方法

Country Status (1)

Country Link
CN (1) CN104778472B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825192A (zh) * 2016-03-24 2016-08-03 深圳大学 一种人脸表情识别方法及系统
CN106503718A (zh) * 2016-09-20 2017-03-15 南京邮电大学 一种基于滤波器组的局部二值模式图像描述方法
CN106778910A (zh) * 2017-01-12 2017-05-31 张亮 基于本地训练的深度学习系统和方法
CN110287780A (zh) * 2019-05-17 2019-09-27 长安大学 一种光照下人脸图像特征提取方法
CN111931588A (zh) * 2020-07-15 2020-11-13 杭州电子科技大学 自适应延展交叉型局部二值模式的人脸特征提取方法
CN112766063A (zh) * 2020-12-31 2021-05-07 沈阳康泰电子科技股份有限公司 基于位移补偿的微表情拟合方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101004791A (zh) * 2007-01-19 2007-07-25 赵力 一种基于二维偏最小二乘法的面部表情识别方法
CN101615245A (zh) * 2009-07-30 2009-12-30 上海交通大学 基于avr和增强lbp的表情识别方法
US20140355893A1 (en) * 2013-05-31 2014-12-04 Texas Instruments Incorporated Vector processor calculation of local binary patterns

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101004791A (zh) * 2007-01-19 2007-07-25 赵力 一种基于二维偏最小二乘法的面部表情识别方法
CN101615245A (zh) * 2009-07-30 2009-12-30 上海交通大学 基于avr和增强lbp的表情识别方法
US20140355893A1 (en) * 2013-05-31 2014-12-04 Texas Instruments Incorporated Vector processor calculation of local binary patterns

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘伟锋等: "人脸表情的LBP特征分析", 《计算机工程与应用》 *
张洁玉等: "加权局部二值模式的人脸特征提取", 《中国图像图形学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825192A (zh) * 2016-03-24 2016-08-03 深圳大学 一种人脸表情识别方法及系统
CN105825192B (zh) * 2016-03-24 2019-06-25 深圳大学 一种人脸表情识别方法及系统
CN106503718A (zh) * 2016-09-20 2017-03-15 南京邮电大学 一种基于滤波器组的局部二值模式图像描述方法
CN106503718B (zh) * 2016-09-20 2019-11-22 南京邮电大学 一种基于滤波器组的局部二值模式图像描述方法
CN106778910A (zh) * 2017-01-12 2017-05-31 张亮 基于本地训练的深度学习系统和方法
CN106778910B (zh) * 2017-01-12 2020-06-16 张亮 基于本地训练的深度学习系统和方法
CN110287780A (zh) * 2019-05-17 2019-09-27 长安大学 一种光照下人脸图像特征提取方法
CN110287780B (zh) * 2019-05-17 2021-08-03 长安大学 一种光照下人脸图像特征提取方法
CN111931588A (zh) * 2020-07-15 2020-11-13 杭州电子科技大学 自适应延展交叉型局部二值模式的人脸特征提取方法
CN111931588B (zh) * 2020-07-15 2023-09-15 杭州电子科技大学 自适应延展交叉型局部二值模式的人脸特征提取方法
CN112766063A (zh) * 2020-12-31 2021-05-07 沈阳康泰电子科技股份有限公司 基于位移补偿的微表情拟合方法和系统
CN112766063B (zh) * 2020-12-31 2024-04-23 沈阳康泰电子科技股份有限公司 基于位移补偿的微表情拟合方法和系统

Also Published As

Publication number Publication date
CN104778472B (zh) 2017-11-21

Similar Documents

Publication Publication Date Title
CN104778472A (zh) 人脸表情特征提取方法
CN105956560B (zh) 一种基于池化多尺度深度卷积特征的车型识别方法
CN104392463B (zh) 一种基于联合稀疏多尺度融合的图像显著区域检测方法
CN102880877B (zh) 一种基于轮廓特征的目标识别方法
CN105160317B (zh) 一种基于区域分块行人性别识别方法
CN103996018B (zh) 基于4dlbp的人脸识别方法
CN107967695B (zh) 一种基于深度光流和形态学方法的运动目标检测方法
CN102722712B (zh) 基于连续度的多尺度高分辨图像目标检测方法
CN102663400B (zh) 一种结合预处理的lbp特征提取方法
CN105069447B (zh) 一种人脸表情的识别方法
CN105139039A (zh) 视频序列中人脸微表情的识别方法
CN102411711B (zh) 一种基于个性化权重的手指静脉识别方法
CN105335716A (zh) 一种基于改进udn提取联合特征的行人检测方法
CN104298981A (zh) 人脸微表情的识别方法
CN105046197A (zh) 基于聚类的多模板行人检测方法
CN104091157A (zh) 一种基于特征融合的行人检测方法
CN104778457A (zh) 基于多示例学习的视频人脸识别算法
CN102254172B (zh) 一种基于细胞神经网络和形态学的指纹图像分割方法
CN103413119A (zh) 基于人脸稀疏描述子的单样本人脸识别方法
CN103440510A (zh) 一种面部图像中特征点的定位方法
CN104598885A (zh) 街景图像中的文字标牌检测与定位方法
CN103903238A (zh) 图像特征的显著结构和相关结构融合方法
CN104408711A (zh) 一种基于多尺度区域融合的显著区域检测方法
CN104200228A (zh) 一种安全带识别方法与系统
CN103400154A (zh) 一种基于有监督等距映射的人体动作识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201224

Address after: Room 108, 7 Yingcui Road, Jiangning Development Zone, Nanjing, Jiangsu 210000

Patentee after: Nanjing tianzhixin Technology Co.,Ltd.

Address before: 1 No. 211167 Jiangsu city of Nanjing province Jiangning Science Park Hongjing Road

Patentee before: NANJING INSTITUTE OF TECHNOLOGY