CN106372622A - 一种人脸表情分类方法及装置 - Google Patents

Abstract

本发明公开了一种人脸表情分类方法及装置，涉及模式识别技术领域，用于提高人脸表情识别的准确性。所述方法包括：提取人脸图像的表征特征，获取与所述表情特征的表情等级对应的图像处理方式，根据所述图像处理方式对所述表情特征进行处理，将处理后的表情特征进行分类，得到分类结果。本发明主要用于人脸表情的分类。

Description

一种人脸表情分类方法及装置

技术领域

本发明涉及模式识别技术领域，特别是涉及一种人脸表情分类方法及装置。

背景技术

随着计算机技术和人工智能技术的迅猛发展，人们对类似于人和人交流方式的人机交互的需求日益强烈。人脸表情识别是人类视觉中最为普遍的人机交互模式，它使得计算机能够根据人的表情信息，推断人的心里状态，从而实现人机之间的智能交互。

目前在进行人脸表情识别时，首先通过采集视频图像数据获取视频图像中的人脸表情特征，然后对人脸表情特征进行预处理，进而将预处理后表情特征进行归类，实现人脸表情的识别。然而，由于人脸表情特征存在由弱到强的不同等级，例如笑的表情特征可分为很多种，有微笑、哈哈大笑和咧嘴笑等，而目前在对不同的等级的表情特征进行人脸表情分类时采用相同的预处理方式，使得预处理后的表情特征存在误差，进而导致人脸表情分类结果不准确，造成人脸识别的准确度较低。

发明内容

有鉴于此，本发明实施例提供一种人脸表情分类方法及装置，能够提高人脸表情识别的准确性。

为达到上述目的，本发明主要提供如下技术方案：

一方面，本发明实施例提供了一种人脸表情分类方法，该方法包括：

提取人脸图像的表情特征；

获取与所述表情特征的表情等级对应的图像处理方式，根据所述图像处理方式对所述表情特征进行处理；

将处理后的表情特征进行分类，得到分类结果。

另一方面，本发明实施例还提供了一种人脸表情分类装置，该装置包括：

提取单元，用于提取人脸图像的表情特征；

处理单元，用于获取与所述表情特征的表情等级对应的图像处理方式，根据所述图像处理方式对所述表情特征进行处理；

分类单元，用于将处理后的表情特征进行分类，得到分类结果。

本发明实施例提供的一种人脸表情分类方法及装置，首先提取人脸图像的表情特征，然后通过获取与表情特征的表情等级对应的图像处理方式，根据图像处理方式对表情特征进行处理，这里不同表情等级的表情特征对应有不同的图像处理方式，通过将表情特征划分为多个表情等级，使得不同表情等级的表情特征能够得到更优的处理方式，进一步将处理后的表情特征进行分类，得到分类结果，使得表情特征分类的准确度更高，进一步提高了人脸表情特征识别的效果。与现有技术对不同等级的表情特征采用相同处理方式的人脸表情分类方法相比，本发明实施例考虑到不同表情等级的表情特征的区别，对它们进行不同的处理方式来增强表情特征的表达能力，从而进行更合理的表情分类，减少表情特征分类的误差，进一步提高最终的人脸表情识别的准确度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种人脸表情分类方法流程图；

图2示出了本发明实施例提供的另一种人脸表情分类方法流程图；

图3示出了本发明实施例提供的一种人脸表情分类装置结构示意图；

图4示出了本发明实施例提供的另一种人脸表情分类装置结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供一种人脸表情分类方法，如图1所示，所述方法包括：

101、提取人脸图像的表情特征。

其中，本步骤中的人脸图像可以通过视频摄像头获取中同一人的人脸图像序列，这里的人脸图像序列中可以包括多个人脸图像，如静态图像、动态图像、不同位置和不同表情的人脸图像，进一步地，在对人脸图像进行特征提取之前，需要对人脸图像进行检测从而确定出人脸的大小和位置，将人脸图像中有用的信息挑出来，并利用这些特征实现人脸检测，由于不同的人脸图像对应有不同的表情特征，如悲伤、愤怒、快乐等等，因此，在识别人脸图像的过程中往往需要对人脸表情特征进行提取，对不同的表情特征进行分类，进而根据分类的结果去识别不同人脸图像的表情特征。

对于上述检测人脸图像的过程，本发明实施例中可以采用人脸跟踪算法对上述人脸图像序列进行检测，具体通过在视频中确定人脸的位置及其运动轨迹的过程，进一步截取连续的人脸图像序列，最终获取多个人脸图像，需要说明的时，本发明实施例对上述的人脸图像的获取方法不做限定，还可以采用聚类学习或者模板匹配等其他的人脸检测算法来获取人脸图像。

人脸图像的表情特征提取是人脸表情分类的关键步骤，分类的结果最终影响人脸识别的准确率，它需要对人脸的器官特征、纹理区域和预定义的特点进行定位和提取，目前常用的人脸表情特征的提取方法主要有基于几何特征的方法、基于模板匹配的方法和基于特征脸的方法等等，对于本发明实施例可以采用基于卷积神经网络的特征提取方法来提取人脸图像的表情特征，卷积神经网络是一种深度的监督学习下的机器学习模型，具有极强的适应性，善于挖掘数据局部特征，它通过每层神经元的输入与前一层局部相连，并提取该局部特征，最后在全连接层对提取到的局部特征进行汇总，输出人脸图像的表情特征。

102、获取与表情特征的表情等级对应的图像处理方式，根据图像处理方式对表情特征进行处理。

由于不同的人脸图像表现出表情特征的强弱程度存在一定的差异性，这里的表情等级为根据人脸图像的表情特征强弱将表情特征划分为多个表情等级，例如对于悲伤的表情有含蓄的悲伤，有接近愤怒的悲伤等，不同表情等级的悲伤表现出的强弱特征有所不同，又比如，对于愤怒表情的表情特征根据强弱程度可以有多个表情等级的愤怒，有轻微的愤怒表情、面目狰狞的愤怒表情等，这两种表情虽然同为愤怒的表情但是它们的特征表现的强弱程度有所不同，轻微的愤怒表情所表现的特征相对于面目狰狞的愤怒表情所表现的特征要弱很多，这会使得弱表情在表情分类时的分类结果会存在偏差，因此需要针对提取到的不同表情等级的表情特征采取对应的图像处理方式，本发明实施例对所采用的图像处理方式不做限定，如针对表情等级较强的表情特征可以不进行图像处理或者采取稍微平缓的拟合或者平滑的处理方式，针对表情等级较弱的表情特征可以采取具有强化表情特征功能的拟合函数进行强化处理方式。

具体地，首先可以参照预置映射表确定表情特征的表情等级，该预置映射表中预先保存有不同表情特征对应的表情等级，进一步获取与该表情特征的表情等级对应的图像处理方式，例如当前的表情特征所表现的特征较弱，则根据预置拟合函数对较弱特征的表情特征进行强化处理，这里的预置拟合函数为针对不同等级的表情特征配置的用来强化表情特征，最后根据预置拟合对表情特征进行强化处理。

103、将处理后的表情特征进行分类，得到分类结果。

对于本发明实施例，由于处理后的表情特征仍然分为很多种，如高兴、惊奇、恐惧等等，因此需要将处理后的表情特征进行分类，进一步根据分类结果实现人脸表情的识别。

具体地，可以采用表情分类器将处理后的表情特征进行分类，通过将处理后的表情特征输入至表情分类器，表情分类器对不同的表情特征进行匹配分类，从而输出表情分类结果。需要说明的是，本发明实施例对表情分类器的选取不做限定，可以选择线性分类器、神经网络分类器或者支持向量机分类算法等来实现表情分类，具体根据实际情况进行选取。

本发明实施例提供的一种人脸表情分类方法，首先提取人脸图像的表情特征，然后通过获取与表情特征的表情等级对应的图像处理方式，根据图像处理方式对表情特征进行处理，这里不同表情等级的表情特征对应有不同的图像处理方式，通过将表情特征划分为多个表情等级，使得不同表情等级的表情特征能够得到更优的处理方式，进一步将处理后的表情特征进行分类，得到分类结果，使得表情特征分类的准确度更高，进一步提高了人脸表情特征识别的效果。与现有技术对不同等级的表情特征采用相同处理方式的人脸表情分类方法相比，本发明实施例考虑到不同表情等级的表情特征的区别，对它们进行不同的处理方式来增强表情特征的表达能力，从而进行更合理的表情分类，减少表情特征分类的误差，进一步提高最终的人脸表情识别的准确度。

进一步地，本发明实施例提供另一种人脸表情分类方法，如图2所示，所述方法包括：

201、获取多个人脸图像及每个人脸图像的估计信度值。

对于本发明实施例，在获取多个人脸图像后，进一步可以根据表情估计器获取每个人脸图像的估计信度值，这里的估计信度值能够反映不同人脸图像的特征强弱程度，如特征较强的表情特征对应的估计信度值较大，反之，特征较弱的表情特征对应的估计信度值较小，相对于特征较强的表情特征不容易被进一步识别。

对于表情估计器的训练方法本发明实施例可以根据普通的卷积神经网络进行训练，进一步将人脸图像输入至训练好的表情估计器，获取每个人脸图像的估计信度值。应说明的是，这里的表情估计器为通过练好的卷积神经网络来识别表情特征的强弱，本发明实施例对表情估计器的训练方式不做限定，也可以根据其他能够识别表情特征强弱的方法来进行评估。

202、根据估计信度值的大小对表情特征进行表情等级划分，得到不同表情等级的表情特征。

由于不同的表情特征对应的估计信度值有所不同，进一步根据估计信度值大小对表情特征进行表情等级的划分，举例来说，将表情特征划分为3个表情等级，可以将表情特征不是很明显的轻微的表情特征即估计信度值较小的表情特征划分为第三等级，能够容易区分的表情特征即估计信度值居中的表情特征划分为第二等级，特征相对明显的表情特征即估计信度值较大的表情特征划分为第一等级，进一步得到了不同表情等级对应的表情特征。

需要说明的是，本发明实施例对上述表情特征对应表情等级的划分方式不做限定，也可根据估计信度值的不同划分更多的表情等级，具体划分表情等级的个数可根据实际情况进行选择。

203、对人脸图像进行预处理。

人脸图像的预处理是人脸识别过程中的一个重要环节，主要目的是消除图像中的冗余信息，滤除干扰、噪声，并增强图像信息的可检测性，从而提高人脸检测的可靠性。通过在预处理阶段对人脸图像进行优化，尽可能去除或者减小对外部环境对人脸图像的干扰，也为后续图像处理过程提高质量。

对于人脸图像的预处理很多种，主要包括人脸扶正、人脸图像的增强，以及归一化等，不同的预处理采用的方法也有所不同，对于本发明实施例对人脸图像采用两种预处理方式，首先对人脸图像进行彩色转灰度处理来舍掉人脸图像的颜色信息，用灰度表示人脸图像的亮度信息，进而减少人脸图像的损失和增强表达效果，然后对灰度处理后的人脸图像进行人脸姿态矫正，本发明实施例通过人脸数据库识别人脸图像中五官的位置，该人脸数据库中存储有各个人脸的各个姿态的一定数目的图像样本，进一步根据识别出的眼睛的位置对人脸图像进行人脸姿态矫正，需要说明的是，这里人脸图像姿态矫正可以但不限局限于根据选取人脸五官当中的一种或者多种进行人脸姿态矫正，另外，本发明实施例对人脸图像的预处理方式不做限定，也可以选择其他的人脸图像预处理的方式。

204、将人脸图像作为卷积神经网络的输入，对人脸图像进行特征提取，输出人脸图像的表情特征。

具体地，将步骤203中预处理后的人脸图像输入至卷积神经网络进行特征提取，进一步得到该人脸图像的表情特征，需要说明的是，提取到的表情特征有强弱之分，弱表情特征相对于强表情特征的表达能力较弱，不易进行特征表达。

205、获取与表情特征的表情等级对应的图像处理方式，根据图像处理方式对应的预置拟合函数对表情特征的进行图像强化处理。

由于每个人脸图像的表情特征对应有强弱之分，而弱表情特征对应的表情特征，也就是表情等级较低的表情特征的表达能力不强，仅仅靠自身的表达能力会导致最终的表情特征分类效果不理想，在这里可以针对不同表情等级的的表情特征进行不同图像处理方式来强化处理，增强弱表情特征的表达能力，进一步使得弱表情特征也能够得到较好的分类效果。

对于表情等级较低的表情特征，本发明实施可以采用二范数损失函数对弱表情特征进行强化，从而提高弱表情特征的分类能力，例如X是弱表情特征，而预设Y为与弱表情特征相对应的强表情特征，这里的相对应强表情特征为选取该表情特征表现居中的Z，满足2Z＝X+Y，进一步使得X尽可能向Y靠拢，进而强化弱表情特征的表达能力，由于一般的二范数损失函数||X-Y||^2会使得X和Y向二者中心靠近，所以本发明实施例将Y的梯度固定，从而不断更新X来提高弱表情的表达能力，进一步将弱表情特征更好的分类。

需要说明的是，对于表情等级较高的表情特征，由于该表情等级的表情特征表达能力明显，无需强化也具有较好的分类能力，此时本发明实施例对较强表情特征对应的人脸图像可以无需采用强化的处理方式。

206、将处理后的人脸图像的表情特征进行分类，得到分类结果。

由于处理后的表情特征具有多样性，如笑的表情、哭的表情或者愤怒的表情，因此有必要对处理后的表情特征进行分类，以便后续对人脸表情进行识别。

具体地，首先根据预置分类函数训练出不同类别表情特征分别对应的标识参数，这里的标识参数为不同表情特征对应的参数信息，如笑的表情对应有嘴角上扬的信息，还有眼梢上翘的信息等，然后检测不同类别表情特征分别对应的标识参数中是否存在与处理后的表情特征匹配的标识参数，若存在，则说明处理后的表情特征为该匹配的标识参数对应的类别，进一步将处理后的表情特征分类到匹配的标识参数对应的类别，得到分类结果。

对于本发明实施例还可以预先训练好的表情分类器，将处理后的表情特征进行分类，得到分类结果，这里的表情分类器可以通过已知的人脸表情样本训练神经网络，在训练过程中利用交叉熵损失函数训练表情分类器，得到不同类别的表情特征，进一步将处理后的表情特征输入至表情分类器进行分类，从而将处理后的表情特征进行分类，得到分类结果。

对于本发明实施例，具体的应用场景可以如下所示，但不限于此，包括：对于当前人脸为哭泣的表情，首先获取多个哭泣的人脸图像以及每个哭泣人脸图像的估计信度值，根据估计信度值的大小将哭泣的表情特征划分为三个表情等级，每个哭泣的表情等级对应的表情特征强弱不同，等级较高的哭泣表情等级所表现的表情特征较强，然后选取哭泣表情微弱的人脸图像，对哭泣的人脸图像进行灰度处理和人脸姿态矫正的预处理，得到识别效果较好的哭泣的人脸图像，随后将处理后的人脸图像输入至卷积神经网络，输出哭泣的人脸图像对应的表情特征，由于哭泣表情微弱，所表现出的表情特征也相对微弱，因此，该表情特征对应的表情等级也较低，不易被实现后续的分类，很有可能将该表情特征分类至其他的类别或者面无表情的类别，进一步获取与该表情等级对表情特征的图像处理方式，根据图像处理方式对应的用于强化表情特征的拟合函数对表情特征进行强化处理，这里可通过将哭泣表情微弱的表情特征向哭泣表情等级强的表情特征进行拟合靠近，从而使得处理后的哭泣表情微弱的表情特征的表达能力强化，得到处理后的表情特征，此时的哭泣表情特征相比处理前的特征表达能力更强，进一步对处理后的表情特征采用训练好的表情分类器进行分类，该分类其中有预先训练好的7中表情分类，有愤怒、悲伤、恐惧、延误、高兴、哭泣和无表情，最后输出表情分类为哭泣的分类结果。

本发明实施例的另一种人脸表情分类方法，根据人脸图像对应的估计信度值将人脸表情划分为多个表情等级，进一步对划分表情等级后的人脸图像的表情特征采用不同的图像处理方式，使得不同表情等级的人脸图像可以实现更优的处理方式，进一步提高人脸表情分类的准确度。

为了实现上述方法实施例，本实施例提供一种与上述方法实施例对应的装置实施例，如图3所示，其示出了一种人脸表情分类装置，该装置可以包括：

提取单元31，用于提取人脸图像的表情特征，本发明实施例可以采用人脸跟踪算法截取连续的人脸图像序列，然后对人脸图像序列进行检测，获取人脸图像，进一步对人脸图像的表情特征进行提取。

处理单元32，用于获取与所述表情特征的表情等级对应的图像处理方式，根据所述图像处理方式对所述表情特征进行处理，这里的表情等级为根据人脸图像的表情特征强弱将表情特征划分为多个表情等级；

分类单元33，用于将处理后的表情特征进行分类，得到分类结果，本发明实施例可以采用表情分类器将处理后的表情特征进行分类，通过将处理后的表情特征输入至表情分类器，进而表情分类器对不同的表情特征进行匹配分类，输出表情分类结果。

本发明实施例提供的一种人脸表情分类装置，首先提取人脸图像的表情特征，然后通过获取与表情特征的表情等级对应的图像处理方式，根据图像处理方式对表情特征进行处理，这里不同表情等级的表情特征对应有不同的图像处理方式，通过将表情特征划分为多个表情等级，使得不同表情等级的表情特征能够得到更优的处理方式，进一步将处理后的表情特征进行分类，得到分类结果，使得表情特征分类的准确度更高，进一步提高了人脸表情特征识别的效果。与现有技术对不同等级的表情特征采用相同处理方式的人脸表情分类方法相比，本发明实施例考虑到不同表情等级的表情特征的区别，对它们进行不同的处理方式来增强表情特征的表达能力，从而进行更合理的表情分类，减少表情特征分类的误差，进一步提高最终的人脸表情识别的准确度。

进一步地，如图4所示，本发明实施例提供了另一种人脸表情分类装置，所述装置还包括：

获取单元34，用于获取多个人脸图像及每个人脸图像的估计信度值，这里的估计信度值能够反映不同人脸图像的特征强弱程度；

划分单元35，用于根据估计信度值的大小对表情特征进行表情等级划分，得到不同表情等级的表情特征；

预处理单元36，用于对人脸图像进行预处理，对于本发明实施例首先对人脸图像进行彩色转灰度处理来舍掉人脸图像的颜色信息，然后对灰度处理后的人脸图像进行人脸姿态矫正；

配置单元37，用于根据表情特征对应的表情等级配置与表情特征对应的预置拟合函数，这里的预置拟合函数为针对不同等级的表情特征配置的用来强化表情特征。

进一步地，提取单元31，具体用于将人脸图像作为卷积神经网络的输入，对人脸图像进行特征提取，输出人脸图像的表情特征。

进一步地，处理单元32，具体用于根据图像处理方式对应的预置拟合函数对表情特征进行图像强化处理；

进一步地，分类单元33包括：

训练模块331，用于根据预置分类函数训练出不同类别表情特征分别对应的标识参数；

检测模块332，用于检测不同类别表情特征分别对应的标识参数中是否存在与处理后的表情特征匹配的标识参数；

配置模块333，用于若存在，则将所述处理后的表情特征的类别配置为与匹配的标识参数对应的类别。

进一步地，预处理单元36包括：

灰度模块361，用于对人脸图像进行灰度处理，得到灰度处理后的人脸图像；

矫正模块362，用于根据检测人脸图像的特征点对灰度处理后的人脸图像进行人脸姿态矫正。

本发明实施例的另一种人脸表情分类装置，根据人脸图像对应的估计信度值将人脸表情划分为多个表情等级，进一步对划分表情等级后的人脸图像的表情特征采用不同的图像处理方式，使得不同表情等级的人脸图像可以实现更优的处理方式，进一步提高人脸表情分类的准确度。

本发明公开了A1、一种人脸表情分类方法，包括：

提取人脸图像的表情特征；

获取与所述表情特征的表情等级对应的图像处理方式，根据所述图像处理方式对所述表情特征进行处理；

将处理后的表情特征进行分类，得到分类结果。

A2、如A1所述的方法，所述方法还包括：

获取多个人脸图像及每个所述人脸图像的估计信度值；

根据所述估计信度值的大小对所述表情特征进行表情等级划分，得到不同表情等级的表情特征。

A3、如A1所述的方法，所述根据所述图像处理方式对所述表情等级对应的表情特征进行处理包括：

根据所述图像处理方式对应的预置拟合函数对所述表情特征进行图像强化处理。

A4、如A3所述的方法，在所述根据所述图像处理方式对所述表情等级对应的表情特征进行处理之前，所述方法还包括：

根据所述表情特征对应的表情等级配置与所述表情特征对应的预置拟合函数。

A5、如A1所述的方法，所述将处理后的表情特征进行分类，得到分类结果包括：

根据预置分类函数训练出不同类别表情特征分别对应的标识参数；

检测所述不同类别表情特征分别对应的标识参数中是否存在与所述处理后的表情特征匹配的标识参数；

若存在，则将所述处理后的表情特征的类别配置为与所述匹配的标识参数对应的类别。

A6、如A1所述的方法，在所述提取人脸图像的表情特征之前，所述方法还包括：

对人脸图像进行预处理；

所述对人脸图像进行预处理，包括：

对所述人脸图像进行灰度处理，得到灰度处理后的人脸图像；

根据检测人脸图像的特征点对所述灰度处理后的人脸图像进行人脸姿态矫正。

A7、如A1-A6中任一项所述的方法，所述提取人脸图像的表情特征包括：

将所述人脸图像作为卷积神经网络的输入，对所述人脸图像进行特征提取，输出所述人脸图像的表情特征。

B8、一种人脸表情分类装置，包括：

提取单元，用于提取人脸图像的表情特征；

处理单元，用于获取与所述表情特征的表情等级对应的图像处理方式，根据所述图像处理方式对所述表情特征进行处理；

分类单元，用于将处理后的表情特征进行分类，得到分类结果。

B9、如B8所述的装置，所述装置还包括：

获取单元，用于获取多个人脸图像及每个所述人脸图像的估计信度值；

划分单元，用于根据所述估计信度值的大小对所述表情特征进行表情等级划分，得到不同表情等级的表情特征。

B10、如B8所述的装置，

所述处理单元，具体用于根据所述图像处理方式对应的预置拟合函数对所述表情特征进行图像强化处理。

B11、如B10所述的装置，所述装置还包括：

配置单元，用于根据所述表情特征对应的表情等级配置与所述表情特征对应的预置拟合函数。

B12、如B8所述的装置，所述分类单元包括：

训练模块，用于根据预置分类函数训练出不同类别表情特征分别对应的标识参数；

检测模块，用于检测所述不同类别表情特征分别对应的标识参数中是否存在与所述处理后的表情特征匹配的标识参数；

配置模块，用于若存在，则将所述处理后的表情特征的类别配置为与所述匹配的标识参数对应的类别。

B13、如B8所述的装置，所述装置还包括：

预处理单元，用于对所述人脸图像进行预处理；

所述预处理单元包括：

灰度模块，用于对所述人脸图像进行灰度处理，得到灰度处理后的人脸图像；

矫正模块，用于根据检测人脸图像的特征点对所述灰度处理后的人脸图像进行人脸姿态矫正。

B14、如B8-B13中任一项所述的装置，

所述提取单元，具体用于将所述人脸图像作为卷积神经网络的输入，对所述人脸图像进行特征提取，输出所述人脸图像的表情特征。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种数据存储的方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种人脸表情分类方法，其特征在于，包括：

提取人脸图像的表情特征；

获取与所述表情特征的表情等级对应的图像处理方式，根据所述图像处理方式对所述表情特征进行处理；

将处理后的表情特征进行分类，得到分类结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个人脸图像及每个所述人脸图像的估计信度值；

根据所述估计信度值的大小对所述表情特征进行表情等级划分，得到不同表情等级的表情特征。

3.根据权利要求1所述的方法，其特征在于，所述根据所述图像处理方式对所述表情等级对应的表情特征进行处理包括：

根据所述图像处理方式对应的预置拟合函数对所述表情特征进行图像强化处理。

4.根据权利要求3所述的方法，其特征在于，在所述根据所述图像处理方式对所述表情等级对应的表情特征进行处理之前，所述方法还包括：

根据所述表情特征对应的表情等级配置与所述表情特征对应的预置拟合函数。

5.根据权利要求1所述的方法，其特征在于，所述将处理后的表情特征进行分类，得到分类结果包括：

根据预置分类函数训练出不同类别表情特征分别对应的标识参数；

检测所述不同类别表情特征分别对应的标识参数中是否存在与所述处理后的表情特征匹配的标识参数；

若存在，则将所述处理后的表情特征的类别配置为与所述匹配的标识参数对应的类别。

6.根据权利要求1所述的方法，其特征在于，在所述提取人脸图像的表情特征之前，所述方法还包括：

对人脸图像进行预处理；

所述对人脸图像进行预处理，包括：

对所述人脸图像进行灰度处理，得到灰度处理后的人脸图像；

根据检测人脸图像的特征点对所述灰度处理后的人脸图像进行人脸姿态矫正。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述提取人脸图像的表情特征包括：

将所述人脸图像作为卷积神经网络的输入，对所述人脸图像进行特征提取，输出所述人脸图像的表情特征。

8.一种人脸表情分类装置，其特征在于，包括：

提取单元，用于提取人脸图像的表情特征；

处理单元，用于获取与所述表情特征的表情等级对应的图像处理方式，根据所述图像处理方式对所述表情特征进行处理；

分类单元，用于将处理后的表情特征进行分类，得到分类结果。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

获取单元，用于获取多个人脸图像及每个所述人脸图像的估计信度值；

划分单元，用于根据所述估计信度值的大小对所述表情特征进行表情等级划分，得到不同表情等级的表情特征。

10.根据权利要求8所述的装置，其特征在于，

所述处理单元，具体用于根据所述图像处理方式对应的预置拟合函数对所述表情特征进行图像强化处理。