一种基于鲁棒的正则化编码表情识别方法及数据监测系统的制作方法
【专利摘要】本发明涉及一种基于鲁棒的正则化编码表情识别方法及数据监测系统。鲁棒的正则化编码，通过正则回归系数对给定信号进行鲁棒回归。为了减少遮挡部分对人脸表情识别系统的影响，待识别的表情图像的每个像素点将被分配不同的权重由于被遮挡部分的像素点应该分配较小的值，通过连续迭代的方法直到权重收敛于设定的权重阈值；待测图像的最终稀疏表示将通过最优的权重矩阵进行计算，并且待测表情图像的分类结果将根据每类训练样本逼近待测表情图像的最小残差决定。本发明对各种脸部遮挡情况都有较好的去除遮挡能力和提高遮挡情况下的人脸表情识别率有重要意义,是一种有效的并对随机遮挡具有鲁棒性的人脸表情识别方法。
【专利说明】
一种基于鲁棒的正则化编码表情识别方法及数据监测系统
技术领域
[0001] 本发明涉及一种模式识别领域的识别方法，具体涉及基于鲁棒的正则化和自动更 新权重的随机遮挡的表情识别方法及数据监测系统，提高了稀疏表示的鲁棒性和有效性。 属于人脸表情信息提取和识别领域。
【背景技术】
[0002] 人脸表情识别技术是生理学、心理学、图像处理、模式识别和计算机视觉等领域的 一个具有挑战性的交叉学科。为了确保信息的完整性，研究人员们使用不存在遮挡人脸表 情图像在受控的实验室条件下进行实验和研究。然而，人脸遮挡是在现实生活中很常见，例 如，太阳镜可以遮挡眼睛区域、一条围巾或外科口罩遮挡嘴部区。因此，在人脸存在遮挡的 表情识别仍然是人脸表情识别系统在实际应用中最重要的瓶颈之一。
[0003] 近年来，针对部分遮挡人脸表情识别研究人员们已经提出了许多方法来减少遮挡 对表情识别的影响。Kotsia受Fi sher的线性判别分析和支持向量机(SVM)的启发，提出了一 种新颖的最小类内方差的多类分类器来研究在不同人脸器官遮挡的情况下对人脸表情识 别的影响。Tarrgs F提出了基于PCA和LDA并结合直方图均衡化和均值、方差归一化预处理 的方法，减少了遮挡部分对人脸识别过程的影响。Kotsia对遮挡的人脸图像进行Gabor小波 滤波提取纹理特征，利用监督的判别非负矩阵因子分解DNMF进行图像分解，再采用基于模 型的方法来描述特定的面部特征的几何位移来完成遮挡图像的特征表征。Zhang等利用蒙 特卡罗算法对表情图像提取Gabor特征，并遍历表情图像的每个区域进行模板匹配以产生 对遮挡具有鲁棒性的特征向量。
[0004] 但是，上述方法主要研究眼部遮挡和嘴部遮挡对人脸表情识别效果的影响，没有 充分考虑遮挡在现实生活中出现的特点，对随机遮挡情况的适应性较弱。人脸遮挡的特点 是遮挡可以在人脸的任何地方发生，并且遮挡范围的大小和遮挡的形状都是未知的，没有 任何关于它的先验知识。因此，不能只考虑脸部某个区域对人脸表情识别的影响情况，应该 根据遮挡的特点来展开研究，并提出一些可以克服这个问题的方法。Wright采用稀疏编码 的方法完成了人脸识别任务，并提出使用已知类别的训练人脸图像对测试人脸图像进行稀 疏表示的方法，在随机遮挡人脸识别系统中取得了较为理想的识别效果。
[0005] 为了提高稀疏表示的鲁棒性和有效性，本发明提出了基于鲁棒的正则化编码和自 动更新权重的随机遮挡表情识别方法。
[0006] 技术内容
[0007] 本发明的目的是:针对现有人脸表情识别方法对脸部有遮挡的情况，原始的稀疏 表示模型实际上假定表示残差是遵循高斯分布的，这可能不足以准确描述实际人脸表情识 别系统的表示残差。提出基于鲁棒的正则化编码和自动更新权重的随机遮挡表情识别方法 及数据监测系统，提高了稀疏表示的鲁棒性和有效性，它能使人脸在有遮档的情况下获得 较高的表情识别效果。
[0008] 本发明一种基于鲁棒的正则化编码表情识别方法及数据检测系统。首先，对待测 的人脸表情图像的每个像素点赋予不同的权重。其次，通过连续迭代得到收敛的权重矩阵。 得到收敛后的权重矩阵后，待测表情图像的最优稀疏表示稀疏可通过计算得到。最后，计算 每类训练表情图像逼近待测表情图像的编码残差，并根据最小逼近残差的准则将待测表情 图像分类到训练表情图像逼近待测表情图像最小逼近残差所对应的类别。
[0009] 本发明涉及一种基于鲁棒的正则化编码表情识别方法，其步骤如下：
[0010] -种基于鲁棒的正则化编码表情识别方法，首先，对待测的人脸表情图像的每个 像素点赋予不同的权重;其次，通过连续迭代得到收敛的权重矩阵;得到收敛后的权重矩阵 后，待测表情图像的最优稀疏表示稀疏可通过计算得到;最后，计算每类训练表情图像逼近 待测表情图像的编码残差，并根据最小逼近残差的准则将待测表情图像分类到训练表情图 像逼近待测表情图像最小逼近残差所对应的类别；
[0011] 该识别方法步骤如下：
[0012] 步骤一:将人脸表情图像库中的表情图像按照七种表情分为七类，即愤怒、厌恶、 恐惧、高兴、中性、悲伤和惊讶，一些表情图像作为训练样本，一些表情图像作为测试样本；
[0013] 步骤二:对图像库中原始图像进行预处理，通过旋转使眼睛水平面对准，并根据两 眼间的距离来从原始的表情图像裁剪出实验用的只含正面人脸表情的矩形区域，并对待测 样本进行不同程度遮挡，用T表示训练表情图像字典，用y表示待测的表情图像，α是待测的 表情图像y在训练表情图像字典T上的编码向量；
[0014] 步骤三:对待测的人脸表情图像的每个像素点赋予不同的权重，Wm表示分配给待 测表情图像y每个像素点i的权值;首先，定义F sM = Σ:?)，Fe(e)在定义域内某点e〇处的一 阶泰勒展开式：^? = ^>,1) + &-￡")7>|,) +仏):其中#0(6)是？0(6)的导数，1?1(6)是？0(6)的高 阶余项；定义V Θ是ΡΘ的导数，并且有F' S(GQ) = IiP' Θ(Θ0,1) !P' Θ(Θ0,2) ;··· θ(θθ,η)] ;e〇,i是eo 的第i位元素；
[0015] 步骤四：设置初值，对待测表情图像y设置初值，首先应该初始化y的编码残差e，对 e初始化为e = y-Ta(())，a(())是初始编码向量，由于待测表情图像y所属类别事先未知，α (())的
合理初始编码向量可以设置为 ，这样Taw表示的就是所有训练表情图像的 平均表情图像；
[0016] 步骤五:不断迭代优化更新权重W，直到权重收敛为止，即相邻迭代权重之间的差 异足够/丨、_玛忒O)成立时偉IH失代.
[0017]
[0018]其中，γ是较小的正数，w(t)表示在t状态的权重，w&u表示在t-i状态的权重；
[0019] 步骤六:得到收敛后的权重矩阵W后，最优的稀疏表示?称为鲁棒的正则化编码通 过下式得到：
[0020]
式（3)
[0021] 步骤七:计算每类训练表情图像逼近待测表情图像y的逼近残差ri(y)，式(4)为：
[0022]
式(4)
[0023] 其中，武(句是?第i类训练样本空间的最终的编码向量，WfinaI是最终的权重矩阵，k 表示表情的类别数；
[0024] 步骤八:根据最小逼近残差的准则，待测表情图像y最终将被分类到训练表情图像 逼近待测表情图像残差最小的类别，由式(5)判断：
[0025]
式（5)
[0026] 从而对待测的表情图像进行识别分类。
[0027]步骤三中，为使F ' e ( e )严格显凸性便于最小化，近似余项为
.其中，W是对角矩阵，为了使e中的兀素独立且在Fe(e)中ei和ej(i辛 j)没有交叉项;Fe(e)在e = 0取得最小值的同时，它的近似值P⑷在e = 0也应取得最小值； 令F%(0)=0,可以得到W的对角元素。
[0028] 步骤三中，所述 [0029] pe(e)具有以下性质：
[0030] (I)Pe(O)是pe(e)的局部最小值；
[0031] (2)对称性：pe(ei)=pe(-ei);
[0032] (3)单调性：当 |ei| > |e2| 时，Ρθ(θ?)>Ρθ(θ2);不失一般性，令 Ρθ(0)=0;如式（1)权 重函数最好选择逻辑函数：
[0033] WijI = P^(GOjI)Zeo,!式（1)
[0034] 根据Ρθ的性质，p' e(ei)和ei符号相同，所以Wi,i为非负的标量，令Wi,ie [0, 1];
[0035] 步骤六中，通常情况下，稀疏编码问题可以定义为公式： ? = argmi伞I 其中，ε>〇的常数，保真项定义为IJ - Γα|:;从贝叶斯估计的观点 确切说是最大后验概率估计观点考虑人脸表示问题;通过字典T对待测表情图像y进行编 码，编码向量α的最大后验概率估计变成? = argmax !η .r)利用贝叶斯公式得： ? ; argmax{ln I a) + ;其中的字典T改写成Tr = [，:;r;;…]~表示T的第i列，而且e = y- Ta = [ei;e2; ·，·θη];ei = yi_ria，i = l，2,…，n;假设元素 ei是独立同分布的，并且概率密度函 数为f e(ei)，而且·ρ(.ι· Π ./()· ;与此同时，假设编码向量a = [Ci1; a2;…；am]中的兀 素 aj，j = 1，2，…，m是独立同分布的并且概率密度函数为f ο (aj)，而且/_t?) = Π ./: (? );从而a的 最大后验概率估计为：
(a)鲁棒的正则化编码公式为 ^
'将得到的权重值带入， 从而武(e)可以写成
是由eo决定的标量常 量;不考虑t，则鲁棒的正则化编码公式为式(3)。
[0036]用于上述的一种基于鲁棒的正则化编码表情识别方法的数据监测系统，主要由摄 像机1、显示屏2、主机3、报警设备4组成，所述的摄像机1与显示屏2相连，显示屏2与主机3相 连，主机3与报警设备4相连，所述摄像机1在病房内将病人的图像记录下来在显示屏2上显 示，主机3将显示屏2中的图片进行判别，是否有异常表情，若有则进行图片判别并立即报 警，所述的主机的交互界面分成四个区域，包括:摄像机设置区、表情识别显示区、识别结果 判别区、报警设置区。
[0037]在相机设置区内，所述的摄像机1能够进行360°全方位的监控，对相机的像素、帧 率、图像格式及对比度进行在线控制。
[0038]在表情识别显示区内包括一个表情识别功能按钮，一个识别结果显示框和一个表 情图像显示窗口，当按下表情识别按钮后，系统将此时的人脸表情图像进行采样，经过处理 在显示窗口进行显示。
[0039]在识别结果判别区包含一个表情判别按钮，一个表情判别显示窗口，当按下表情 判别按钮后，系统将此时的人脸表情图像进行判别，并在显示窗口进行显示系统的判别结 果。
[0040]在报警设置区包含一个病床号显示窗口，一个LED灯显示窗口，一个报警器，表情 判别若显示有问题，则报警设置区内病床号显示窗口会显示病床号，LED显示窗口会闪烁， 报警器会发出报警声。
[0041 ]从而对待测的表情图像进行识别分类。
[0042]本发明的积极效果和优点在于：
[0043] 1.本发明使用原始图像数据(像素点）不需要采用特征降为、特征提取、综合训练 样本和特定领域信息，就可以对随机遮挡表情图像进行识别；
[0044] 2.本发明考虑到现实生活中遮挡情况的随机性，对提高随机遮挡情况下的表情识 别有重要意义；
[0045] 3.本发明基于鲁棒的正则化编码和自动更新权重的随机遮挡表情识别方法，提高 稀疏表示的鲁棒性和有效性。
【附图说明】
[0046] 图1方法步骤方框图。
[0047]图2 JAFFE数据库中的部分预处理的随机遮挡表情图像。
[0048]图3 Cohn-Kanade数据库中的部分预处理的随机遮挡表情图像。
[0049] 图4数据监测系统硬件结构图。
[0050] 图5数据监测系统原理图。
[0051]图6数据监测系统人机交互界面。
【具体实施方式】
[0052]见图1所示，本发明一种基于鲁棒的正则化编码表情识别方法，其步骤如下：
[0053]步骤一：将人脸表情图像库中的表情图像按照七种表情分为七类，即愤怒、厌恶、 恐惧、高兴、中性、悲伤和惊讶，一些表情图像作为训练样本，一些表情图像作为测试样本； [0054]步骤二:对图像库中原始图像进行预处理，通过旋转使眼睛水平面对准，并根据两 眼间的距离来从原始的表情图像裁剪出实验用的只含正面人脸表情的矩形区域，并对待测 样本进行不同程度遮挡，用T表示训练表情图像字典，用y表示待测的表情图像，α是待测的 表情图像y在训练表情图像字典T上的编码向量；
[0055]步骤三:对待测的人脸表情图像的每个像素点赋予不同的权重，Wm表示分配给待 测表情图像y每个像素点i的权值。首先，定义= Σ；",Ak)，Fe (e)在定义域内某点eo处的一 阶泰勒展开式：6⑷= i>j + (e -+#(<?);其中，F7 θ(e)是Fe(e)的导数，Ri(e)是Fe(e)的高 阶余项；定义V Θ是ΡΘ的导数，并且有F' S(GQ) = IiP' θ(θ〇,ι) !P7 θ(θ〇,2) ;··· θ(θο,η)] ;et),i是eo 的第i位元素；为使F、（ e)严格显凸性便于最小化，近似余项为/? (t(π。其 中，W是对角矩阵，为了使e中的元素独立且在Fe (e)中ei和ej (i辛j)没有交叉项。Fe (e)在e = 〇取得最小值的同时，它的近似值^⑷在e = 0也应取得最小值。令F7 θ(0 )= 0，可以得到W的 对角元素。Pe(e)具有以下性质：（1)Ρθ(0)是Ρθ(θ)的局部最小值；（2)对称性:pe(ei)=pe(-ei); (3)单调性：当I ei I > I e21时，Pe(ei) >Pe(e2)。不失一般性，令Ρθ(0) = 0。如式（1)权重函 数最好选择逻辑函数：
[0056] Wij = P'e(eo，i)/eQ，i 式（1)
[0057] 根据Ρθ的性质，p' e(ei)和ei符号相同，所以Wi,i非负的标量，令Wi,ie [0, 1];
[0058] 步骤四：设置初值，对待测表情图像y设置初值，首先应该初始化y的编码残差e，对 e初始化为e = y-Ta(())，a(())是初始编码向量，由于待测表情图像y所属类别事先未知，α (())的 合理初始编码向量可以设置；
这样Taw表示的就是所有训练表情图像的 平均表情图像；
[0059] 步骤五:不断迭代优化更新权重W，直到权重收敛为止，即相邻迭代权重之间的差 异足够小，当式(2)成立时停止迭代：
[0060]
[0061] 其中，γ是较小的正数，Ww表示在t状态的权重，表示在t-Ι状态的权重；
[0062] 步骤六:得到收敛后的权重矩阵W后，最优的稀疏表示4称为鲁棒的正则化编码。通 常情况下，稀疏编码问题可以定义为公式：会='argminlttli其中，ε >〇的常数， 保真项定义为从贝叶斯估计的观点确切说是最大后验概率估计观点考虑人脸表 示问题。通过字典T对待测表情图像y进行编码，编码向量a的最大后验概率估计变成 i = argmaxtoi^or I ]，)。利用贝叶斯公式得：= ar_gmax{lnP(v_| ?).+ 1τιΡ(α)丨:其中的字典T改写成
表示1'的第；1列，而且6 = 7-1€[=[61;62;"_611]池=7广1^4 = 1，2，"，11。假设 元素出是独立同分布的，并且概率密度函数为fe(ei)，而且汽>'《)==Π /.0· 与此同时， 假设编码向量a = [Ci1; α2;…；am]中的元素 a j，j = 1，2，…，m是独立同分布的并且概率密度 函数为f〇(aj)，而且+)=11/:(6/ )-从而a的最大后验概率估计为：
和pQ(a) =-lnf〇(a)鲁棒的正则化编码 公式为：
将得到的权重值带入，从而6(e)可以写成
是由eo决定的标量常量。不考虑\，则鲁 棒的正则化编码公式为式(3):
[0063]
式⑶
[0064] 步骤七:计算每类训练表情图像逼近待测表情图像y的逼近残差ri(y)，式(4)为： [00651
式⑷
[0066] 其中，《(?)是4第i类训练样本空间的最终的编码向量，WfinaI是最终的权重矩阵，k 表示表情的类别数；
[0067] 步骤八:根据最小逼近残差的准则，待测表情图像y最终将被分类到训练表情图像 逼近待测表情图像残差最小的类别，由式(5)判断：
[0068]
式（5)
[0069] 从而对待测的表情图像进行识别分类。
[0070] -种基于鲁棒的正则化编码表情识别方法及数据监测系统，使用原始图像数据 (像素点)不需要采用特征降为、特征提取、综合训练样本和特定领域信息，就可以获取质量 稳定的图像来对随机遮挡的面部表情进行识别。
[0071] 一种基于鲁棒的正则化编码表情识别方法及数据监测系统，主要由摄像机1、显示 屏2、主机3、报警设备4组成，其硬件结构如图4所示，所述的摄像机1与显示屏2相连，显示屏 2与主机3相连，主机3与报警设备4相连，摄像机1在病房内将病人的图像记录下来在显示屏 2上显示，主机3将显示屏2中的图片进行判别，是否有异常表情，若有则进行图片判别并立 即报警，若无则不用报警。所述的主机的交互界面分成四个区域，包括:摄像机设置区、表情 识别显示区、识别结果判别区、报警设置区。
[0072] 在相机设置区内，所述的摄像机1能够进行360°全方位的监控，对相机的像素、帧 率、图像格式及对比度进行在线控制。
[0073]在表情识别显示区内包括一个表情识别功能按钮，一个识别结果显示框和一个表 情图像显示窗口，当按下表情识别按钮后，系统将此时的人脸表情图像进行采样，经过处理 在显示窗口进行显示。
[0074]在识别结果判别区包含一个表情判别按钮，一个表情判别显示窗口，当按下表情 判别按钮后，系统将此时的人脸表情图像进行判别，并在显示窗口进行显示系统的判别结 果。
[0075]在报警设置区包含一个病床号显示窗口，一个LED灯显示窗口，一个报警器，表情 判别若显示有问题，则报警设置区内病床号显示窗口会显示病床号，LED显示窗口会闪烁， 报警器会发出报警声。
【主权项】
1. 一种基于鲁棒的正则化编码表情识别方法，其特征在于： 首先，对待测的人脸表情图像的每个像素点赋予不同的权重;其次，通过连续迭代得到 收敛的权重矩阵;得到收敛后的权重矩阵后，待测表情图像的最优稀疏表示稀疏可通过计 算得到;最后，计算每类训练表情图像逼近待测表情图像的编码残差，并根据最小逼近残差 的准则将待测表情图像分类到训练表情图像逼近待测表情图像最小逼近残差所对应的类 别； 该识别方法步骤如下： 步骤一:将人脸表情图像库中的表情图像按照七种表情分为七类，即愤怒、厌恶、恐惧、 高兴、中性、悲伤和惊讶，一些表情图像作为训练样本，一些表情图像作为测试样本； 步骤二:对图像库中原始图像进行预处理，通过旋转使眼睛水平面对准，并根据两眼间 的距离来从原始的表情图像裁剪出实验用的只含正面人脸表情的矩形区域，并对待测样本 进行不同程度遮挡，用T表示训练表情图像字典，用y表示待测的表情图像， α是待测的表情 图像y在训练表情图像字典Τ上的编码向量； 步骤三:对待测的人脸表情图像的每个像素点赋予不同的权重，WM表示分配给待测表 情图像7每个像素点1的权值;首先，定义巧:时=￡：11/^,.)..，？0(6)在定义域内某点6()处的一阶泰 勒展开式：足ω = /：(e,:) +._(e - )??.) + Λ,⑷;其中，F' Θ (e)是Fe (e)的导数，Ri (e)是Fe (e)的高阶余 项；定义V θ是Ρθ的导数，并且有F' θ(θο) = 1^ e(eo,i) # e(eo,2);…# e(eo,n)] ;eo,i是eo的第i 位元素； 步骤四：设置初值，对待测表情图像y设置初值，首先应该初始化y的编码残差e，对e初 始化为e = y-Ta(())，a(())是初始编码向量，由于待测表情图像y所属类别事先未知，α (())的合理初始编码向量可以设置为 ，这样Τα(())表示的就是所有训练表情图像的平均 表情图像； 步骤五：不断迭代优化更新权重W，直到权重收敛为止，即相邻迭代权重之间的差异足 够小，当式(2)成立时停止迭代： ff(t)_ff(t-D| |s/| |ff(t-l)| |2< γ 式⑵ 其中，γ是较小的正数，w(t)表示在t状态的权重，W(t-1〉表示在t-ι状态的权重； 步骤六:得到收敛后的权重矩阵W后，最优的稀疏表示^称为鲁棒的正则化编码通过下 式得到：步骤七:计算每类训练表情图像逼近待测表情图像y的逼近残差ri(y)，式(4)为：其中彳⑷是设第i类训练样本空间的最终的编码向量，Wfinal是最终的权重矩阵，k表示 表情的类别数； 步骤八:根据最小逼近残差的准则，待测表情图像y最终将被分类到训练表情图像逼近 待测表情图像残差最小的类别，由式(5)判断： 从而对待测的表情图像进行识别分类。2. 根据权利要求1所述的一种基于鲁棒的正则化编码表情识别方法，其特征在于： 步骤三中，为使F'Ke)严格显凸性便于最小化，近似余项为中，W是对角矩阵，为了使e中的元素独立且在Fe (e)中ei和e j (i辛j)没有交叉项;Fe (e)在e = 〇取得最小值的同时，它的近似值g (e)在e = 0也应取得最小值;令F' θ(Ο) = Ο，可以得到W的 对角元素。3. 根据权利要求1所述的一种基于鲁棒的正则化编码表情识别方法，其特征在于： 步骤三中，所述 pe(e)具有以下性质： (Ι)Ρθ(Ο)是Pe(e)的局部最小值； ⑵对称性:Pe(ei) =Pe(_ei); (3)单调性：当I ei I > I e21时，Pe(ei)>Pe(e2);不失一般性，令Ρθ(0)=0;如式（1)权重函 数最好选择逻辑函数： = e(e〇,i)/e〇,i 式（1) 根据Ρθ的性质，P' e(ei)和ei符号相同，所以Wi,i为非负的标量，令Wi,ie [〇, 1]。4. 根据权利要求1所述的一种基于鲁棒的正则化编码表情识别方法，其特征在于： 步骤六中，通常情况下，稀疏编码问题可以定义为公式：? = argminforHv - Γα|> ?';其 中，ε>〇的常数，保真项定义为从贝叶斯估计的观点确切说是最大后验概率估计 观点考虑人脸表示问题;通过字典Τ对待测表情图像y进行编码，编码向量α的最大后验概 率估计变成邊=argmaxln/^cr | .ν):利用贝叶斯公式得:6 = argmax^ni^丨β)+_Ι?Ρ(α)};其中的字 典Τ改写成T= [ri;r2;…；rn]ri表示Τ的第i列，而且e = y_Ta = [ei;e2; ·，·θη] ;ei = yi-ria，i = 1，2,…，n;假设元素^是独立同分布的，并且概率密度函数Sfe(ei)，而且 外' α)= ΠU -味);与此同时，假设编码向量a = [ w ; a2;am]中的元素aj，j = 1，2，…，m 是独立同分布的并且概率密度函数为5(4),而且〃(〃) = Γ1/ (? 从而a的最大后验概率估 计为：S = argmax{n'=l_/:(.v -m) + rr_i_A(c〇};令Pe(e) =-lnfe(e)和P〇(a) =-lnf〇(a)鲁棒的正则 化编码公式为：6 = argmiii丨Σ /?;将得到的权重值带入，从而.$_(e)可以写 成是由e〇决定的标量常量;不考虑<，_则 鲁棒的正则化编码公式为式(3)。5. 用于权利要求1至4任一项所述的一种基于鲁棒的正则化编码表情识别方法的数据 监测系统，主要由摄像机（1)、显示屏(2)、主机(3)、报警设备(4)组成，其特征在于，所述的 摄像机（1)与显示屏(2)相连，显示屏(2)与主机(3)相连，主机(3)与报警设备(4)相连，所述 摄像机（1)在病房内将病人的图像记录下来在显示屏(2)上显示，主机(3)将显示屏(2)中的 图片进行判别，是否有异常表情，若有则进行图片判别并立即报警，所述的主机的交互界面 分成四个区域，包括:摄像机设置区、表情识别显示区、识别结果判别区、报警设置区。6. 根据权利要求5所述的一种基于鲁棒的正则化编码表情识别方法的数据监测系统， 其特征在于，在相机设置区内，所述的摄像机（1)能够进行360°全方位的监控，对相机的像 素、帧率、图像格式及对比度进行在线控制。7. 根据权利要求5或6所述的一种基于鲁棒的正则化编码表情识别方法的数据监测系 统，其特征在于，在表情识别显示区内包括一个表情识别功能按钮，一个识别结果显示框和 一个表情图像显示窗口，当按下表情识别按钮后，系统将此时的人脸表情图像进行采样，经 过处理在显示窗口进行显示。8. 根据权利要求7所述的一种基于鲁棒的正则化编码表情识别方法的数据监测系统， 其特征在于，在识别结果判别区包含一个表情判别按钮，一个表情判别显示窗口，当按下表 情判别按钮后，系统将此时的人脸表情图像进行判别，并在显示窗口进行显示系统的判别 结果。9. 根据权利要求7所述的一种基于鲁棒的正则化编码表情识别方法的数据监测系统， 其特征在于，在报警设置区包含一个病床号显不窗口，一个LED灯显不窗口，一个报警器， 表情判别若显示有问题，则报警设置区内病床号显示窗口会显示病床号，LED显示窗口会闪 烁，报警器会发出报警声。
【文档编号】G06K9/00GK106056103SQ201610517778
【公开日】2016年10月26日
【申请日】2016年7月5日
【发明人】刘帅师, 郭文燕, 程曦
【申请人】长春工业大学