專(zhuān)利名稱(chēng)：一種基于云模型的人臉表情識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人臉表情識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于云模型的人臉表情識(shí)別方法。
背景技術(shù)：
云模型具有宏觀精確、微觀模糊、宏觀可控、微觀不可控的特點(diǎn)，其本質(zhì)單位是云滴組成的概念云，思想是兼顧了隨機(jī)性和模糊性。它把自然語(yǔ)言中的隨機(jī)性和模糊性有機(jī)地綜合在一起，構(gòu)成定性和定量相互間的映射，不但突破了概率統(tǒng)計(jì)中“硬計(jì)算”的局限性， 而且解決了作為模糊集理論基石的隸屬函數(shù)的固有缺陷，破除了粗集邊界集的局限性，提供了一套解決數(shù)據(jù)挖掘中不確定性問(wèn)題的新方法和新技術(shù)。云模型作為一種一般性的數(shù)學(xué)理論，巧妙地實(shí)現(xiàn)了定性定量之間的自由數(shù)學(xué)轉(zhuǎn)換，其方法和技術(shù)發(fā)展至今，已經(jīng)被廣泛成功地應(yīng)用于知識(shí)發(fā)現(xiàn)、空間數(shù)據(jù)挖掘、智能控制和大系統(tǒng)效能評(píng)估中，解決或解釋自然、社會(huì)的問(wèn)題或現(xiàn)象，并取得了顯著的成效。云發(fā)生器(Cloud Generator，簡(jiǎn)稱(chēng)CG)指云模型的生成算法。云發(fā)生器建立起定性和定量之間相互聯(lián)系、相互依存、性中有量、量中有性的映射關(guān)系，主要包括正向云發(fā)生器、逆向云發(fā)生器、X條件云發(fā)生器和Y條件云發(fā)生器。逆向云發(fā)生器(Backward Cloud Generator)是實(shí)現(xiàn)數(shù)值和其語(yǔ)言值之間的不確定性轉(zhuǎn)換模型，是從定量到定性的映射。它將一定數(shù)量的精確數(shù)據(jù)有效轉(zhuǎn)換為以恰當(dāng)?shù)亩ㄐ哉Z(yǔ)言值{Ex，En, He}表示的概念，并據(jù)此代表這些精確數(shù)據(jù)所反映的云滴整體。云滴對(duì)應(yīng)精確數(shù)據(jù)的數(shù)量越多，反映的概念越確切。逆向云發(fā)生器是一個(gè)逆向的、間接的云生成過(guò)程，它把給定的符合某一分布規(guī)律的一組云滴Drop (xi; CT (Xi))作為樣本，Drop (xi CT (Xi)) 表示第i個(gè)云滴Xi在數(shù)域空間的定量位置及第i個(gè)云滴Xi代表該概念的確定度CT(Xi)， 并產(chǎn)生描述云模型所對(duì)應(yīng)的定性概念的三個(gè)數(shù)字特征伍1工11，徹)，如
圖1所示。通過(guò)正向云發(fā)生器和逆向云發(fā)生器，云模型就建立起了定性和定量之間相互聯(lián)系、相互依存、性中有量、量中有性的映射關(guān)系。逆向云發(fā)生器的輸入為Drop (X1，CT (X1))、Drop (x2，CT (X2)).......Drop (xN，
CT(Xn))，輸出為(Ex，En, He, N)，下面是基于擬合的逆向云發(fā)生器的具體算法(1)輸入 Drop (X1, CT (X1))、Drop (x2，CT (X2)).......Drop (xN，CT (xN))；(2)將云期望方程
權(quán)利要求
1.一種基于云模型的人臉表情識(shí)別方法，其特征在于，包括以下步驟步驟一，對(duì)圖像庫(kù)中已有的人臉表情圖像進(jìn)行樣本集訓(xùn)練，該樣本集訓(xùn)練分為兩類(lèi)不同人的同一種表情和同一人的不同表情，即表情類(lèi)和人臉類(lèi)，并采用逆向云生成器提取樣本集中每組人臉表情圖像的云數(shù)字特征值步驟二，將待識(shí)別的人臉表情圖像讀取成數(shù)據(jù)矩陣；步驟三，將待識(shí)別人臉表情圖像添入到步驟一中所得的人臉表情樣本集中任一組人臉表情圖像A中，得到一組新的人臉表情圖像A1，采用逆向云生成器得到該組新人臉表情圖像 A1的云數(shù)字特征值；步驟四，比較一組人臉表情圖像A和步驟三所得一組新人臉表情圖像A1的云數(shù)字特征值，并依據(jù)兩組云數(shù)字特征值的前后差異判定待識(shí)別人臉表情圖像所屬類(lèi)別，若期望值Λ 和超熵值的前后差異不大于0. 34+0. 0010，且熵值Jb的前后差異不大于0. 34+0. 0020， 則待識(shí)別人臉表情圖像與一組人臉表情圖像A匹配；否則，將待識(shí)別人臉表情圖像添入到步驟一中所得的人臉表情樣品集中另一組人臉表情圖像A’中，重復(fù)步驟三 四，直至找到與待識(shí)別人臉表情圖像匹配的一組人臉表情圖像。
2.根據(jù)權(quán)利要求1所述的基于云模型的人臉表情識(shí)別方法，其特征在于所述的步驟一中的圖像庫(kù)為JAFFE庫(kù)。
3.根據(jù)權(quán)利要求1或2所述的基于云模型的人臉表情識(shí)別方法，其特征在于所述的逆向云發(fā)生器采用基于擬合的逆向云發(fā)生器算法。
4.根據(jù)權(quán)利要求1或2所述的基于云模型的人臉表情識(shí)別方法，其特征在于所述的步驟一中提取樣本集中每組人臉表情圖像的云數(shù)字特征值丨、取BiM進(jìn)一步包括以下子步驟1. 1將表情類(lèi)和人臉類(lèi)中每組人臉表情圖像分別讀取成數(shù)據(jù)矩陣；1.2采用逆向云發(fā)生器對(duì)步驟1. 1中所得的每組數(shù)據(jù)矩陣分別進(jìn)行圖像特征提取，并獲得每組數(shù)據(jù)矩陣所對(duì)應(yīng)的人臉表情圖像的云數(shù)字特征值。
5.根據(jù)權(quán)利要求1或2所述的基于云模型的人臉表情識(shí)別方法，其特征在于所述步驟二中將待識(shí)別人臉表情圖像讀取成數(shù)據(jù)矩陣前對(duì)其進(jìn)行除噪音處理。
全文摘要
本發(fā)明公開(kāi)了一種基于云模型的人臉表情識(shí)別方法，包括步驟一，對(duì)圖像庫(kù)中已有的人臉表情圖像進(jìn)行樣本集訓(xùn)練，并采用逆向云生成器得到每組人臉表情圖像的云數(shù)字特征值；二，將待識(shí)別人臉表情圖像讀取成數(shù)據(jù)矩陣；三，將待識(shí)別人臉表情圖像添入到人臉表情樣品集中任一組人臉表情圖像A中，得到一組新人臉表情圖像A1，采用逆向云生成器得到該組新人臉表情圖像A1的云數(shù)字特征值；四，比較一組人臉表情圖像A和一組新人臉表情圖像A1的云數(shù)字特征值，并依據(jù)兩組云數(shù)字特征值的前后差異判定待識(shí)別人臉表情圖像所屬類(lèi)別。本發(fā)明方法運(yùn)用云模型提取人臉表情圖像的云數(shù)字特征，并對(duì)所提取的云數(shù)字特征進(jìn)行對(duì)比與分析，從而實(shí)現(xiàn)人臉表情識(shí)別。
文檔編號(hào)G06K9/62GK102254189SQ201110234790
公開(kāi)日2011年11月23日 申請(qǐng)日期2011年8月16日 優(yōu)先權(quán)日2011年8月16日
發(fā)明者池荷花, 池蓮花, 王樹(shù)良 申請(qǐng)人:武漢大學(xué)