本发明涉及生物特征识别，特别是涉及人脸识别中的特征建模方法。

背景技术：

人脸识别技术一般包括四个组成部分，分别为人脸图像采集、人脸图像预处理、人脸图像特征提取以及匹配与识别，具体来说：

人脸图像采集及检测是指通过摄像镜头等视频图像采集装置采集包括有人脸的视频或图像数据，可以是采集对象的静态图像、动态图像、不同的位置、不同表情等。

人脸图像预处理是指从采集的图像数据中确定人脸的部分，并进行灰度校正、噪声过滤等图像预处理，从而使后续的人脸图像特征提取过程能够更加的准确和高效。

人脸图像特征提取是指，也称人脸表征，它是对人脸进行特征建模的过程；人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部的特定位置点以及这些特定位置点之间结构关系的特征描述，可作为识别人脸的重要特征，这些特定的位置点被称为关键特征点。人脸识别过程受到很多因素的干扰，准确地提取人脸中合适的关键特征点是进行正确识别的关键。

现有技术中，对于关键特征点的选取方式一般为：

选取人脸的9个特征点，这些关键特征点的分布具有角度不变性，分别为2个眼球中心点、4个眼角点、两鼻孔的中点和2个嘴角点。在此基础上可以容易地获得与识别有关的人脸各器官特征以及扩展的其他特征点位置，用于进一步的识别算法。

发明人经过研究发现，经现有技术中的所选取的关键特征点，在进行情绪识别时，识别的准确度较低。

技术实现要素：

本发明所要解决的技术问题是如何提高人脸情绪识别的准确度，具体的：

本发明实施例提供了一种人脸识别中的特征建模方法，包括步骤：

S11、预设22个关键特征点；22个关键特征点具体包括每个眉毛的两个角点、每个眼睛的两个角点、每个眼皮的最上点和最下点、鼻尖点、两个鼻翼点、嘴巴的两个角点、上嘴唇的最上点和最下点、下嘴唇的最上点和最下点，以及，下颚点；

S12、根据预设的关键特征点的标定顺序，在训练样本中人工标定所述关键特征点；

S13、根据作为训练样本的人脸图像生成一组特征点坐标数据，构成一组形状向量训练样本；

S14、根据所述形状向量训练样本进行全局形状模型和局部纹理模型的构建。

优选的，在本发明实施例中，所述根据所述形状向量训练样本进行全局形状模型和局部纹理模型构建，包括：

S21、通过仿射变换将所述形状向量训练样本向量对齐；

S22、通过PCA算法降维，分解出主要的变形模式，从而获得全局形状模型；

S23、根据各个关键特征点周围的局部灰度分布规律，为每个关键特征点在当前位置附近寻找最佳候选位置。

优选的，在本发明实施例中，所述通过仿射变换将所述形状向量训练样本向量对齐，包括：

通过旋转、放缩和/或平移，将所述形状向量训练样本向量对齐。

优选的，在本发明实施例中，所述根据所述形状向量训练样本进行全局形状模型和局部纹理模型构建，包括：

通过将得到的二值图像经过腐蚀膨胀操作来消除噪声以及像素牵连影响。

优选的，在本发明实施例中，所述腐蚀膨胀操作采用2*3长方形窗口。

优选的，在本发明实施例中，所述根据所述形状向量训练样本进行全局形状模型和局部纹理模型构建，包括：

通过寻找人脸区域二值化图像的最大连通区域来提取轮廓，并采用遍历轮廓各个点以寻找轮廓的最左点、最右点、最上点和最下点。

由上可以看出，本发明实施例中所选取的关键特征点，其位置的变动轨迹能够更加准确的表征面部情绪的变化，所以可以有效的提高人脸情绪识别的准确度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请中所述人脸识别中的特征建模方法的步骤示意图；

图2为本申请中所述人脸识别中的特征建模方法的又一步骤示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了提高人脸情绪识别的准确度，本发明实施例提供了一种人脸识别中的特征建模方法，如图1所示，包括步骤：

S11、预设22个关键特征点；22个关键特征点具体包括每个眉毛的两个角点、每个眼睛的两个角点、每个眼皮的最上点和最下点、鼻尖点、两个鼻翼点、嘴巴的两个角点、上嘴唇的最上点和最下点、下嘴唇的最上点和最下点，以及，下颚点；

本发明实施例中，选取了更多的关键特征点，共计有22个，这22个关键特征点在人脸图像中，与情绪的变化密切相关，通过这些关键特征点的变化轨迹，可以更加准确的判断出识别对象的情绪变化情况。

S12、根据预设的关键特征点的标定顺序，在训练样本中人工标定所述关键特征点；

S13、根据作为训练样本的人脸图像生成一组特征点坐标数据，构成一组形状向量训练样本；

S14、根据所述形状向量训练样本进行全局形状模型和局部纹理模型的构建。

在本发明实施例中，如图2所示，根据所述形状向量训练样本进行全局形状模型和局部纹理模型构建的具体过程可以包括以下步骤：

S21、通过仿射变换将所述形状向量训练样本向量对齐；

在实际应用中，仿射变换具体可以包括旋转、放缩和平移中的一种或是多种。

S22、通过PCA算法降维，分解出主要的变形模式，从而获得全局形状模型；

S23、根据各个关键特征点周围的局部灰度分布规律，为每个关键特征点在当前位置附近寻找最佳候选位置。

此外，在实际应用中，在根据形状向量训练样本进行全局形状模型和局部纹理模型构建的过程中，具体可以包括：

通过将得到的二值图像经过腐蚀膨胀操作来消除噪声以及像素牵连影响。具体来说，腐蚀膨胀操作的最优方式为采用2*3长方形窗口。

此外，根据所述形状向量训练样本进行全局形状模型和局部纹理模型构建，具体来说，还可以包括：

通过寻找人脸区域二值化图像的最大连通区域来提取轮廓，并采用遍历轮廓各个点以寻找轮廓的最左点、最右点、最上点和最下点。

由上可以看出，本发明实施例中所选取的关键特征点，其位置的变动轨迹能够更加准确的表征面部情绪的变化，所以可以有效的提高人脸情绪识别的准确度。

以上本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。