一种新的表情识别方法

王晨星 梁宇

摘要 本文提出了一种人脸表情识别的方法，首先对人脸表情图像进行局部二值模式（LBP），然后对编码后的图像进行分块直方图特征统计，最后采用极限学习机进行分类识别，实验结果说明本文的算法识别率高、计算速度快、有很大的优越性。

【关键词】人脸表情识别 LBP 极限学习机

1 引言

人脸表情识别作为情感识别的一个方面，在人际交流中起到非常重要的作用，不仅是展示情绪，更是传播情感信息与协调双方关系的重要方式，因而人脸识别技术成为当今研究的一个热点。

人面部表情识别的过程一般包括三个步骤：人脸定位，特征提取和分类识别，而本文的研究重点放在虚线框内所示的特征提取和分类识别步骤，它们决定着误差的大小即分类识别效果的好坏。

2 面部表情特征提取

LBP的基本思想是：通过固定大小子模块特征分析，统计得到图像的整体特征提取。在3x3邻域窗口T内，可以将像素点分成两个部分，一个中心像素点g。和与之相邻的8个像素g0，…，g7。这个窗口纹理T定义为：

T～（g0-gc，…，g7-gc） （1）

对窗口内的八个相邻像素点以中心像素点ge为基准做二值化操作。其过程为：将中心像素点gc的灰度值设定为阈值，并分别用相邻8个像素点的灰度值与该阈值比较大小，如果某像素点的灰度值小于或等于中心点的阈值，则标志该像素位置为O;否则，标记为1。二值后的窗口纹理T应表示成

T≈t（ s（g0-gc），…，s（g7-gc）） （2）

像素点二值化处理可表示为：

经过公式计算后，该窗口中8个相邻像素位置得到了8个二进制数，为统一编码，以十点钟方向为起点，按顺时针方向读取这8个二进制数，得到一个相对应的二进制模式作为该像素点的矩形块特征值，按公式将二进制模式转换为十进制数，就得到该像素点（中心像素点gc）的LBP值，即描述图像纹理特征的LBP值表示为：

最后对LBP纹理图像进行分块直方图统计，即可获得本文要使用的LBP特征向量。

3 基于极限神经网络的人脸识别

Huang等在文献[2]中提出，前馈神经网络的输入层连接权值无需进行训练，可以随机设置，当给定了网络的隐层结点数目和输入层的连接权值以后，前馈神经网络的隐层输出矩阵H就变成了一个己知的矩阵，只需要求出输出权值β的正则化最小二乘解就可以完成对网络的训练。

极限学习机具有速度极快，泛化性良好，参数选择简单的特点，相对BP网络，支持向量机等算法具有很多优势，已经取得很多应用。

4 实验分析

本实验采用JAFFE表情数据库为数据基础。表情数据库JAFFE是日本ART建立的10个日本女人的表情，示例如图1，从左至右依次为惊讶、悲伤、害怕，生气、厌恶，高兴和中性。

将本文的LBP算子特征结合ELM分类的方法，和Gabor特征ELM分类方法以及LBP-SVM算法、LBP-BP算法进行对比，实验结果如表1所示。

从表1中的对比结果看可以看出本文的LBP特征ELM分类的方法取得了最佳的识别精确且消耗的时间最短，这也说明了本文算法是十分有效的。

5 结论

本文主要研究基于LBP特征并结合极限学习机算法的人脸表情识别，并且其他算法的识别性能进行了分析对比，实验结果表明本文的算法识别率高，计算速度快，优于对比算法。

参考文献

[1]王大伟，周军，梅红岩，张素娥.人臉表情识别综述[J].计算机工程与应用，2014， 50（20）：149-157+181.

[2] Guang-Bin Huang， Qin-Yu Zhu andChee--Kheong Siew. Extreme LearningMachine：Theory and Applications [J].Neurocomput ing， 2006， 70 （1-3）： 489-501.

[3]许学斌，管晓宏，邓万宇等，基于多分类投影极速学习机的快速人脸识别方法[J].微电子学与计算机，2012， 29 （07）：14-17.

[4] Weiweizong， Guang-BinHuang. FaceRecognition based on extremelearning machine [J]. Neurocomputing， 2011， 74： 2541-2551

[5]Michael J L，Julien Budynek， ShigeruAkamat su. Au toma tic

Clas sificationof Single Facial Images [J].IEEE Transactions on PatternAnalysis and Machine Intelligence，1999，21（12）：1357-1362.