一種具有噪聲魯棒性的人臉表情識(shí)別算法研究

王 鎮(zhèn)，童 瑩，曹雪虹，，焦良葆

(1.南京郵電大學(xué)通信與信息工程學(xué)院，江蘇南京210003;2.南京工程學(xué)院通信工程學(xué)院，江蘇南京211167)

1 人臉表情識(shí)別

人臉面部表情是人類重要的形體語(yǔ)言之一，能夠比較準(zhǔn)確地反映情感、精神、心理等狀態(tài)變化。近年來(lái)，利用計(jì)算機(jī)分析理解人臉表情完成相關(guān)工作，在人機(jī)交互中具有重要應(yīng)用前景，人臉表情識(shí)別技術(shù)逐漸成為研究熱點(diǎn)。人臉表情識(shí)別系統(tǒng)如圖1所示，由表情圖像預(yù)處理、人臉檢測(cè)與區(qū)域分割、表情特征提取和分類4個(gè)部分組成［1］。對(duì)于一幅高質(zhì)量圖像，特征提取和分類是人臉表情識(shí)別系統(tǒng)的兩個(gè)重要步驟?？紤]到分類器識(shí)別效果好壞很大程度上取決于特征描述準(zhǔn)確性的高低，因此表情特征提取是人臉表情識(shí)別系統(tǒng)的重要環(huán)節(jié)，是提高分類準(zhǔn)確率的關(guān)鍵。

圖1 人臉表情識(shí)別系統(tǒng)流程圖

常見(jiàn)的靜態(tài)圖像人臉特征提取方法有主成分分析法(PrincipalComponentAnalysis，PCA)［2］、獨(dú)立分量分析法(IndependentComponentAnalysis，ICA)［3］、Gabor 小波變換［4］、局部二值模式(LocalBinaryPattern，LBP)［5］和尺度不變特征變換(ScaleInvariantFeatureTransform，SIFT)［6］等。PCA、ICA子空間方法受樣本數(shù)量、圖像空域變化影響較大;LBP 是一種有效的紋理描述子，但編碼方式對(duì)鄰域灰度值變化敏感;Gabor小波變換、SIFT算子運(yùn)行時(shí)間長(zhǎng)，特征維數(shù)巨大，不具有實(shí)時(shí)性，因此這些特征提取算法仍有局限性。針對(duì)這些不足，Dala N和Triggs B在2005年提出了梯度方向直方圖(Histograms of oriented gradients，HOG)［7］算法，它是一種形狀描述子，通過(guò)計(jì)算局部區(qū)域的梯度方向并統(tǒng)計(jì)個(gè)數(shù)，得到梯度方向直方圖，能夠很好地表征圖像的邊緣信息，具有方向不變性等特點(diǎn)。因此，相比LBP、Gabor、SIFT等算子，本文采用改進(jìn)HOG算子可以有效提取人臉表情特征，且設(shè)置合理參數(shù)使特征維數(shù)大大降低，具有實(shí)時(shí)性。

但實(shí)際應(yīng)用中，人臉表情圖像獲取容易受噪聲、光照、遮擋等因素影響，圖像質(zhì)量參差不齊，因此在進(jìn)行表情特征提取和識(shí)別之前，預(yù)處理工作又顯得尤為重要。本文僅考慮受噪聲污染嚴(yán)重的情況，首先對(duì)圖像進(jìn)行濾波預(yù)處理。目前，圖像濾波方法有很多［8］，經(jīng)典算法有均值濾波、中值濾波、Wiener濾波等，它們?cè)谄交肼暤耐瑫r(shí)，也模糊了圖像的邊緣，不能很好重現(xiàn)原始圖像中的結(jié)構(gòu)信息。近幾年，針對(duì)圖像濾波中保持重要特征的問(wèn)題，基于非線性方程的濾波方法得到很大發(fā)展，尤其是Perona和Malilik提出的各向異性擴(kuò)散濾波方法［9］，其在圖像灰度平坦區(qū)域選擇大尺度平滑，在邊緣部分選擇小尺度平滑，從而實(shí)現(xiàn)了抑制噪聲的同時(shí)較好地保護(hù)圖像邊緣信息的目的，并得到廣泛應(yīng)用。嚴(yán)哲等［10］將地震相干屬性值作為斷層信息保護(hù)因子引入到各向異性擴(kuò)散濾波中，提出了一種基于各向異性擴(kuò)散濾波的地震圖像增強(qiáng)處理方法;陳金林等［11］提出一種結(jié)合各向異性擴(kuò)散和小波域的數(shù)字水印算法，保證水印不可見(jiàn)性的同時(shí)，具有較好的魯棒性;付麗娟等［12］將PM算法與中值濾波相結(jié)合，用經(jīng)過(guò)中值濾波平滑后的梯度模值代替原始圖像的梯度模值，在提高信噪比的同時(shí)保留了圖像的細(xì)節(jié)信息，可以更好地滿足醫(yī)學(xué)圖像的使用要求。因此，本文將具有人眼視覺(jué)特性的各向異性擴(kuò)散濾波方法應(yīng)用到人臉表情識(shí)別中，對(duì)受噪聲污染嚴(yán)重的降質(zhì)圖像進(jìn)行濾波預(yù)處理。利用人眼在不同亮度背景下對(duì)亮度差的敏感性不同，結(jié)合梯度值修正擴(kuò)散系數(shù)，區(qū)分處理面部斑點(diǎn)噪聲和肌肉皺褶形變所對(duì)應(yīng)的弱邊緣、弱細(xì)節(jié)，盡可能保留原始圖像中的表情信息，為后續(xù)HOG表情特征的準(zhǔn)確提取提供方便。

綜上所述，本文從預(yù)處理和特征提取兩個(gè)角度進(jìn)行改進(jìn)，提出一種在噪聲環(huán)境下有效識(shí)別人臉表情的方法。首先，設(shè)計(jì)一種具有人眼視覺(jué)特性的各向異性擴(kuò)散濾波方法，利用人眼在不同亮度背景下對(duì)亮度差的敏感性不同修正擴(kuò)散系數(shù)，使其在濾除噪聲的同時(shí)更好地保留了表情圖像的弱小細(xì)節(jié)信息;其次，采用HOG算子提取表情特征，并且改進(jìn)梯度算子，設(shè)置合理參數(shù)，大大降低了特征向量維數(shù)，提高了算法的運(yùn)行效率和識(shí)別率。在JAFFE數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，本文算法是一種有效的，具有一定的噪聲魯棒性的人臉表情識(shí)別算法。

2 HOG算法原理及其改進(jìn)

2.1 HOG算法基本原理

梯度方向直方圖(Histogram of Oriented Gradients，HOG)，是一種在計(jì)算機(jī)視覺(jué)和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子，它通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征。

采用HOG算子提取表情特征的具體步驟如下:

1)計(jì)算圖像每個(gè)像素點(diǎn)的梯度幅值和方向，捕獲表情輪廓信息，弱化光照的干擾。

2)將檢測(cè)窗口劃分成大小相同的單元格(cell)。

3)統(tǒng)計(jì)每個(gè)單元格(cell)的梯度方向直方圖。

4)將相鄰的單元格組合成無(wú)重疊的塊(block)，統(tǒng)計(jì)整個(gè)塊的梯度方向直方圖特征，并對(duì)每個(gè)塊內(nèi)的直方圖進(jìn)行歸一化，減少背景顏色和噪聲的影響。

5)最后連接所有塊(block)的梯度方向直方圖，得到表示整個(gè)表情圖像的HOG特征。

2.2 HOG算法的改進(jìn)

在文獻(xiàn)［7］中，筆者將每個(gè) cell大小設(shè)置為8×8(pixels)，block大小設(shè)為2×2(cells)，在0o～180o內(nèi)分了9個(gè)方向區(qū)間，用一維中心對(duì)稱模板［-1 0 1］來(lái)計(jì)算每個(gè)像素點(diǎn)的梯度幅值和方向，計(jì)算公式如下

因此，對(duì)于一幅大小為128×128的圖像，可劃分為8×8=64個(gè)無(wú)重疊block區(qū)域，得到特征向量維數(shù)等于64×4×9=2 304?？紤]到過(guò)高的特征維數(shù)會(huì)對(duì)識(shí)別率以及運(yùn)行時(shí)間產(chǎn)生影響，分析各個(gè)參數(shù)的表征效果，得到最佳參數(shù)，即cell大小為16×16(pixels)，block大小為4×4(cells)，0°～180°仍然分為9個(gè)方向區(qū)間，此時(shí)特征維數(shù)等于4×144=576，特征維度降低了75%，算法運(yùn)行效率得到明顯的提升。

同時(shí)，本文采用canny模板代替一維中心對(duì)稱模板，梯度計(jì)算公式如式(3)～式(6)所示，得到梯度幅值圖像如圖2所示?？梢钥闯?，canny算子梯度幅值圖像比一維中心對(duì)稱算子梯度幅值圖像面部干擾噪聲小，邊緣清晰，因此其梯度方向直方圖中有效值與干擾值差異度大，特征空間距離分類效果更理想。

圖2 不同梯度算子幅值圖像

3 各向異性擴(kuò)散濾波原理及改進(jìn)

3.1 各向異性擴(kuò)散濾波原理

平滑濾波是圖像處理中一個(gè)比較重要的環(huán)節(jié)，早期一些常見(jiàn)的濾波器，如高斯低通濾波器、維納濾波器等，在平滑噪聲的同時(shí)，也模糊了邊緣，丟失了圖像中的重要結(jié)構(gòu)信息。針對(duì)這一不足，眾多學(xué)者提出了大量的圖像濾波算子，其中最著名的是Perona和Malik［9］提出的采用方向性分布系數(shù)代替高斯卷積的各向異性擴(kuò)散濾波方法。

各向異性擴(kuò)散方程(P-M方程)實(shí)質(zhì)上是偏微分方程形式的熱傳導(dǎo)方程，其表達(dá)式如下

式中:f(x，y，t)為輸入圖像f(x，y)經(jīng)過(guò)t次迭代后的結(jié)果;div(·)是散度算子;c(·)為擴(kuò)散系數(shù)，Perona和Malik提出如下兩種形式的擴(kuò)散系數(shù)方程

式中:Δf()是梯度算子;‖Δ f(x，y，t)‖表示 f(x，y，t)的梯度模值;K為梯度閾值。從上面兩個(gè)方程可以看出，擴(kuò)散系數(shù)c(·)是一個(gè)以梯度模值為變量的單調(diào)遞減函數(shù)，在梯度值越大的區(qū)域，擴(kuò)散系數(shù)越小，有利于保護(hù)圖像的邊緣信息;在梯度值越小的地方，擴(kuò)散系數(shù)越大，有利于平滑圖像中的噪聲。

3.2 各向異性擴(kuò)散濾波的改進(jìn)

Δ

從式(8)～式(9)可以看出，擴(kuò)散系數(shù)僅對(duì)梯度模值‖f(x，y，t)‖比較敏感，因此在人臉表情識(shí)別應(yīng)用中，考慮表情變化會(huì)引起下巴、額頭、鼻梁等非顯性區(qū)域的肌肉紋理變化，這些變化產(chǎn)生的弱邊緣、弱細(xì)節(jié)也是表情識(shí)別的關(guān)鍵因素。但它們的梯度模值較小，擴(kuò)散系數(shù)較大，傳統(tǒng)P-M方程對(duì)其有平滑作用，導(dǎo)致細(xì)節(jié)丟失，表情信息不完整。

鑒于此，本文提出了基于人眼視覺(jué)信息處理機(jī)制的各向異性擴(kuò)散濾波方法，利于人眼在不同亮度背景下對(duì)目標(biāo)的敏感性不同，修正擴(kuò)散系數(shù)，使其能正確區(qū)分噪聲和弱小細(xì)節(jié)信息。

3.2.1 人眼視覺(jué)信息處理機(jī)制

研究表明，人眼對(duì)物體的識(shí)別能力與物體亮度和背景亮度有關(guān)。假設(shè)某一物體所處的背景平均亮度為I，物體本身亮度可看作為I+ΔI，只有當(dāng)亮度差ΔI大于某個(gè)閾值時(shí)，人眼才能從背景中將目標(biāo)分辨出來(lái)，此時(shí)的ΔI稱為剛可分辨亮度差，ΔI與 I之間成一種非線性關(guān)系，稱為閾值亮度比(TVI)。人眼視網(wǎng)膜上有視桿體和視錐體兩種視覺(jué)細(xì)胞，其中視桿體在暗光環(huán)境下特別敏感，視錐體在亮光環(huán)境下比較敏感。圖3為視桿體和視錐體的閾值亮度比函數(shù)曲線［13］。從圖中可以看出，當(dāng)背景很亮或者很暗時(shí)，ΔI需要較大值才能使物體可見(jiàn)。

圖3 TVI函數(shù)曲線

3.2.2 具有人眼視覺(jué)特性的各向異性擴(kuò)散濾波

文中利用人眼在不同的亮度背景下對(duì)亮度差的敏感性不同修正擴(kuò)散系數(shù)，提出新的擴(kuò)散系數(shù)方程如下

式中:‖Δ f(x，y，t)‖為梯度模值;ΔI(x，y，t)為剛可分辨亮度差;α為可調(diào)系數(shù);K為梯度閾值。其中ΔI(x，y，t)的具體求解步驟如下:

1)以像素點(diǎn)(x，y)為中心，求其3×3鄰域的均值fm(x，y，t)。

2)比較 f(x，y，t)和 fm(x，y，t)大小。若 f(x，y，t)＞ fm(x，y，t)，則取3 ×3鄰域內(nèi)所有灰度值小于 fm(x，y，t)的像素均值作為(x，y)處的背景值 Im(x，y，t);反之，則取所有灰度值大于 fm(x，y，t)的像素均值作為(x，y)處的背景值 Im(x，y，t)。

3)計(jì)算圖像的亮度差

由此可見(jiàn)，利用改進(jìn)擴(kuò)散方程可以有效區(qū)分邊緣、背景、弱小細(xì)節(jié)和噪聲。在邊緣變化明顯的目標(biāo)區(qū)域，例如眼睛、嘴巴、眉毛等顯性特征區(qū)域，梯度模值 Δf(x，y，t)較大，亮度差ΔI(x，y，t)也較大，因此擴(kuò)散系數(shù)小，平滑作用顯著降低，有利于保護(hù)邊緣信息;而在平坦背景區(qū)域，梯度模值較小，亮度變化也不大，因此平滑作用明顯，能夠有效濾除噪聲;并且，對(duì)于弱小細(xì)節(jié)區(qū)域，例如下巴、額頭、鼻梁等非顯性區(qū)域，雖然其梯度值較小，但亮度差較大，可對(duì)擴(kuò)散系數(shù)進(jìn)行修正，適當(dāng)減弱平滑作用，實(shí)現(xiàn)了在濾除噪聲同時(shí)，也保留圖像中的弱小結(jié)構(gòu)信息的目的，有利于后續(xù)表情圖像的特征提取。

圖4是采用傳統(tǒng)各向異性擴(kuò)散方法和文中改進(jìn)方法對(duì)表情圖像進(jìn)行濾波的效果對(duì)比圖。從圖中可以看出，相比原始人臉表情圖像(見(jiàn)圖4a)，傳統(tǒng)各向異性擴(kuò)散方法(見(jiàn)圖4b)和文中改進(jìn)方法(見(jiàn)圖4c)均能有效濾除噪聲，但對(duì)于弱小細(xì)節(jié)區(qū)域，傳統(tǒng)各向異性擴(kuò)散方法處理效果不理想。例如在原始人臉表情圖像的下巴區(qū)域(見(jiàn)圖4d)，有明顯的肌肉紋理變化且包含噪聲，傳統(tǒng)各向異性擴(kuò)散方法雖然去除了噪聲但也弱化了邊緣(見(jiàn)圖4e)，而本文方法在有效濾除噪聲同時(shí)，也較好的保護(hù)了細(xì)節(jié)信息，為準(zhǔn)確提取表情特征提供方便(見(jiàn)圖4f)。

圖4 傳統(tǒng)各向異性擴(kuò)散濾波與人眼視覺(jué)下的各向異性擴(kuò)散濾波效果圖

4 實(shí)驗(yàn)結(jié)果與分析

文中算法是在MATLAB環(huán)境下，對(duì)JAFFE數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)仿真。JAFFE數(shù)據(jù)庫(kù)是日本ATR媒體信息科學(xué)實(shí)驗(yàn)室的Lyons博士提供的，包括10位日本女性在憤怒、厭惡、恐懼、高興、悲傷、驚訝6種情況下自發(fā)產(chǎn)生的表情圖像，共213幅圖像，圖像大小為256×256，文中選取其中每人每種表情3幅圖像，共180幅圖像進(jìn)行實(shí)驗(yàn)仿真。該數(shù)據(jù)庫(kù)完全開(kāi)放，且表情標(biāo)定標(biāo)準(zhǔn)，現(xiàn)為多數(shù)研究人員仿真使用。

在進(jìn)行實(shí)驗(yàn)仿真前，文中對(duì)數(shù)據(jù)庫(kù)中的圖像進(jìn)行表情區(qū)域劃分和歸一化預(yù)處理，將所有圖像尺寸歸一化為128×128。JAFFE數(shù)據(jù)庫(kù)的部分歸一化預(yù)處理樣本表情圖像如圖5所示。

圖5 JAFFE數(shù)據(jù)庫(kù)的部分樣本表情圖像

本文采用文獻(xiàn)［14］中Leave-One-Sample-Out和Leave-One-Subject-Out兩種樣本選擇方式進(jìn)行仿真實(shí)驗(yàn)。Leave-One-Sample-Out(L-O-Sap-O)是一種熟悉人臉樣本選擇方式，選取1幅圖像作為測(cè)試樣本，剩余N-1幅圖像作為訓(xùn)練樣本，交叉驗(yàn)證N次，其中N為表情數(shù)據(jù)庫(kù)中所有樣本的數(shù)量。采用這種樣本選擇方式可以最大程度選擇所有數(shù)據(jù)作為測(cè)試樣本，以確保每幅圖像的表情特征都被考慮到，實(shí)驗(yàn)結(jié)果更具有真實(shí)性。Leave-One-Subject-out(L-O-Sub-O)是一種不熟悉人臉樣本選擇方式，選取同一個(gè)人的所有表情作為測(cè)試樣本，剩余人的所有表情圖像作為訓(xùn)練樣本，交叉驗(yàn)證M次，其中M為表情數(shù)據(jù)庫(kù)中人的個(gè)數(shù)。這種樣本選擇方式可以用來(lái)評(píng)價(jià)分析人臉識(shí)別時(shí)不同表情變化對(duì)識(shí)別系統(tǒng)的影響。

本文采用中心最近鄰分類器進(jìn)行表情識(shí)別，具體步驟參考文獻(xiàn)［15］，文中不再詳述。實(shí)驗(yàn)仿真包含以下3個(gè)方面內(nèi)容:1)改進(jìn)HOG算子的有效性驗(yàn)證;2)基于人眼視覺(jué)信息處理機(jī)制的各向異性擴(kuò)散濾波有效性驗(yàn)證;3)本文算法對(duì)噪聲的魯棒性分析。

4.1 改進(jìn)HOG算子有效性驗(yàn)證

首先，與原始HOG算子［7］比較。設(shè)置原始HOG算子的cell大小為8×8(pixels)，block大小為 2×2(cells)，將 0°～180°劃分9個(gè)方向區(qū)間，用一維中心對(duì)稱模板［-1 0 1］來(lái)計(jì)算每個(gè)像素點(diǎn)的梯度幅值和方向;設(shè)置改進(jìn)HOG算子的cell大小為16×16(pixels)，block大小為 4×4(cells)，0°～180°仍然分為9個(gè)方向區(qū)間，采用canny模板代替一維中心對(duì)稱模板計(jì)算每個(gè)像素點(diǎn)的梯度幅值和方向。在JAFFE數(shù)據(jù)庫(kù)上的仿真結(jié)果如表1所示。

表1 JAFFE數(shù)據(jù)庫(kù)的原始HOG算子與改進(jìn)HOG算子識(shí)別效果比較

從表1可以看出，改進(jìn)的HOG算子相比原始HOG算子在兩種分類模式下，其識(shí)別率均有明顯提高，L-O-Sub-O模式提高了5.56%，L-O-Sap-O模式提高了5.55%;從算法的運(yùn)行時(shí)間看，改進(jìn)HOG算法的特征提取時(shí)間和分類時(shí)間均遠(yuǎn)遠(yuǎn)小于原始HOG算法的運(yùn)行時(shí)間。這是由于改進(jìn)的HOG算法中，將每個(gè)cell的尺寸擴(kuò)大了4倍，得到的特征向量長(zhǎng)度會(huì)相應(yīng)降低75%，更有利于特征提取和分類。由此可見(jiàn)，相比于原始HOG算子，改進(jìn)的HOG算子大大降低了特征維數(shù)，減小了冗余信息的干擾，減少了算法運(yùn)行時(shí)間，提高了分類準(zhǔn)確性，具有較好的實(shí)時(shí)性。

其次，與 LBP 算子［5］、Gabor小波變換［4］比較。這里采用LBP(8，1)算子分別對(duì)表情圖中8×8=64個(gè)子塊區(qū)域進(jìn)行特征提取，采用文獻(xiàn)［4］中的方法對(duì)Gabor小波變換結(jié)果降維，得到Gabor特征。以JAFFE數(shù)據(jù)庫(kù)為例，采用L-O-Sap-O分類模式進(jìn)行實(shí)驗(yàn)仿真，各表情詳細(xì)識(shí)別結(jié)果如表2所示。

表2 改進(jìn)HOG算子與LBP算子、Gabor小波變換的識(shí)別效果比較 %

從表2可以看出，在JAFFE數(shù)據(jù)庫(kù)下，改進(jìn)HOG算子相比LBP算子和Gabor小波變換，識(shí)別率有近13%的提高。由此可見(jiàn)，文中改進(jìn)的HOG算子是一種有效的形狀描述子，能更準(zhǔn)確地描述人臉表情特征。

4.2 具有人眼視覺(jué)特性各向異性擴(kuò)散濾波有效性驗(yàn)證

在JAFFE數(shù)據(jù)庫(kù)中進(jìn)行實(shí)驗(yàn)仿真，首先采用原始各向異性擴(kuò)散濾波和改進(jìn)各向異性擴(kuò)散濾波進(jìn)行去噪預(yù)處理，再利用改進(jìn)HOG算子提取表情特征，分類結(jié)果如表3所示。兩種濾波器的參數(shù)設(shè)置如下:原始各向異性擴(kuò)散濾波的迭代次數(shù)為9次，梯度閾值K=5;改進(jìn)各向異性擴(kuò)散濾波的迭代次數(shù)為3次，梯度閾值K=10，常數(shù)系數(shù)α=0.8。

表3 JAFFE數(shù)據(jù)庫(kù)中原始各向異性擴(kuò)散濾波與改進(jìn)各向異性擴(kuò)散濾波的識(shí)別率比較 %

從表中可以看出，因改進(jìn)各向異性擴(kuò)散濾波比原始各向異性擴(kuò)散濾波更能有效區(qū)分噪聲和細(xì)節(jié)，使得表情信息盡可能完整，在此基礎(chǔ)上利用改進(jìn)HOG算子提取表情特征和分類，兩種分類模式的識(shí)別率均有提高。由此可見(jiàn)，文中提出的具有人眼視覺(jué)特性的各向異性擴(kuò)散濾波與改進(jìn)HOG算子的組合是一種有效的表情識(shí)別算法。

4.3 本文算法的噪聲魯棒性能分析

為進(jìn)一步研究本文算法對(duì)噪聲的魯棒性，對(duì)JAFFE數(shù)據(jù)庫(kù)中的人臉表情圖像分別加入方差為0.01的高斯白噪聲和噪聲密度為0.05的椒鹽噪聲，分別采用原始各向異性擴(kuò)散濾波和改進(jìn)的各向異性擴(kuò)散濾波方法進(jìn)行去噪預(yù)處理，用文中改進(jìn)HOG算法進(jìn)行表情特征提取和分類，實(shí)驗(yàn)結(jié)果如表4所示。

從表4可以看出，因受高斯白噪聲和椒鹽噪聲的影響，圖像質(zhì)量變差，改進(jìn)HOG算子的識(shí)別率急劇下降，尤其是在L-O-Sap-O分類模式下，識(shí)別率下降近23%，這表明HOG算子對(duì)噪聲的魯棒性較差。若在特征提取之前，先采用原始各向異性擴(kuò)散濾波或文中提出的改進(jìn)各向異性擴(kuò)散濾波對(duì)加入噪聲的圖像進(jìn)行濾波預(yù)處理，識(shí)別率均有明顯提高。由此可見(jiàn)，當(dāng)圖像質(zhì)量較差時(shí)，預(yù)處理工作將顯得尤為重要，并且從識(shí)別率上可以看出，改進(jìn)的各向異性擴(kuò)散濾波比原始各向異性擴(kuò)散濾波去噪效果更佳。

表4 不同噪聲下原始各項(xiàng)異性擴(kuò)散濾波與改進(jìn)的各向異性擴(kuò)散濾波識(shí)別率比較 %

5 結(jié)論

本文針對(duì)人臉表情識(shí)別中預(yù)處理和特征提取兩個(gè)步驟進(jìn)行改進(jìn)，提出一種有效的、具有一定噪聲魯棒性的人臉表情識(shí)別算法。

首先，提出一種基于人眼視覺(jué)信息處理機(jī)制的各向異性擴(kuò)散濾波方法，該方法利用人眼在不同的亮度背景下對(duì)亮度差的敏感性不同修正擴(kuò)散系數(shù)。與原始各向異性擴(kuò)散濾波方法相比，該算法在有效去除噪聲的同時(shí)，能更好地保留圖像的邊緣信息和紋理細(xì)節(jié)信息，保證了表情信息的完整性。

其次，采用能夠很好地表征圖像邊緣信息的HOG算子提取人臉表情特征，并修改梯度算子，合理設(shè)置參數(shù)，大大降低特征維數(shù)，有效消除冗余信息的干擾，提高識(shí)別效率，具有實(shí)時(shí)性。

在JAFFE數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)仿真結(jié)果表明，與傳統(tǒng)的LBP算子和Gabor算子相比，文中改進(jìn)的HOG算子是一種有效的形狀描述子，能更準(zhǔn)確地描述人臉表情特征。且對(duì)于加入了高斯白噪聲和椒鹽噪聲的表情圖像，相比于原始各向異性擴(kuò)散濾波方法，文中提出的具有人眼視覺(jué)特性的各向異性擴(kuò)散濾波有更好的濾波效果，抗噪聲性能更強(qiáng)。因此，對(duì)于降質(zhì)圖像，本文提出算法可以有效區(qū)分噪聲和表情信息，且準(zhǔn)確提取特征，是一種有效的人臉表情識(shí)別算法。

［1］ SONG K T，CHIEN SC.Facial expression recognition based on mixture of basic expressions and intensities［C］//Proc.2012 IEEE International Conference on Systems，Man，and Cybernetics.［S.l.］:IEEE Press，2012:3123-3128.

［2］ ZHAOLihong，YANGCaikun，PAN Feng，et al.Face recognition based on gabor with 2DPCA and PCA［C］//Proc.2012 24th Chines Control and Decision Conference.［S.l.］:IEEE Press，2012:2632-2635.

［3］ BECKMANN C F，SMITH S M.Probabilistic independent component analysis for functional magnetic resonance imaging［J］.IEEE Trans.Med.Imaging，2004(23):137-152

［4］阮錦新.多姿態(tài)人臉檢測(cè)與表情識(shí)別關(guān)鍵技術(shù)研究［D］.廣州:華南理工大學(xué)，2010:64-83

［5］ OJALA T，PIETIKAINENM，HARWOODD.A comparative study of texture measures with classification based on feature distributions［J］.Pattern Recognition，1996，29(1):51-59

［6］ GENG Cong，JIANG Xudong.Face recognition using SIFT features［C］//Proc.2009 16th IEEE International Conference on Image Processing.［S.l.］:IEEE Press，2009:3313-3316.

［7］ DALA N，TRIGGS B.Histograms of oriented gradients for human detection［C］//Proc.IEEE Computer Society Conferenceon Computer Vision and Pattern Recognition(CVPR'05).San Diego，CA，USA:IEEE Press，2005:886-893.

［8］李麗萍.圖像去噪方法研究［D］.武漢:長(zhǎng)江大學(xué)，2012.

［9］ PERONA P，MALIK J.Scale space and edge detection using anisotropic diffusion［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，1990，12(7):629-639.

［10］嚴(yán)哲，顧漢明，蔡成國(guó).基于各向異性擴(kuò)散濾波的地震圖像增強(qiáng)處理［J］.石油地球物理學(xué)報(bào)，2013，48(3):390-394.

［11］陳金林，劉謝進(jìn).基于異性擴(kuò)撒方法的數(shù)字圖像水印研究［J］.計(jì)算機(jī)應(yīng)用與軟件，2013，30(7):151-153.

［12］付麗娟，姚宇，付忠良.中值濾波與各向異性擴(kuò)散相結(jié)合的醫(yī)學(xué)圖像濾波方法［J］.計(jì)算機(jī)應(yīng)用，2014，34(1):145-148.

［13］ FERWERDA J A.Element of early vision for computer graphics［J］.IEEE Computer Graphics and Applications，2001，21(5):22-33.

［14］ MARIOSK，ANASTASIOST，IOANNISP.Salient feature and reliable classifier selection for facial expression classification［J］.Pattern Recognition，2010(43):972-986.

［15］付曉峰.基于二元模式的人臉識(shí)別與表情識(shí)別研究［D］.杭州:浙江大學(xué)，2008.

［16］ DENIZ O，BUENO G，SALIDO J，et al.Face recognition using histograms of oriented gradients［J］.Pattern Recognition Letters，2011(32):1598-1603.

［17］ SONG Fengyi，TAN Xiaoyang，LIU Xue，et al.Eyes closeness detection from still images with multi-scale histograms of principal ori ented gradients［J］.Pattern Recognition，2014，47(9):2825-2838.