【技术实现步骤摘要】
本专利技术涉及一种基于多尺度采样的微表情自动识别方法,属于机器学习和模式识别的
技术介绍
人类的面部表情研究起源于19世纪达尔文[1],最近,Ekman和Erika[2]进行了面部测绘行为的研究,验证了微表情(micro expression)可提供更全面的隐蔽情感的泄露。微表情是一种快速表情,虽然持续时间短,但是能揭露人内心的真实情感,从而为判断人内在的精神状态提供了可靠的依据[3],因此在司法系统、临床诊断等方面具有重要的应用。国外针对微表情的研究起步较早,提出并且定义了微表情,在协助司法机关诊断案情、商业谈判、心理咨询等领域多有建树,开始得到一些应用。傅小兰教授主持的2011-2013年国家自然科学基金面上项目“面向自动谎言识别的微表情表达研究”推动了国内对于微表情研究的发展。与宏观表情不同,微表情最大的特点是持续时间短、强度小,所以仅凭人眼识别微表情是一个巨大的挑战。利用计算机视觉实现微表情自动识别是必然的趋势,但准确识别的前提是找到有效的特征描述方式。尽管研究人员在人脸识别、宏观表情识别中提出了一些优秀的特征描述符,并且取得了不错的效果,但针对微表情的时空特性和计算复杂度,直接将上述描述符拓展到微表情识别中是不可行的。为此,针对微表情自动识别面临的诸多挑战,本专利提供了一种基于多尺度采样的微表情自动识别方法。[1]Darwin C.The expression of the emotions in man and animals[M].University of Chicago Press,1965。[2]Ekman P,and Er ...
【技术保护点】
一种基于多尺度采样的微表情自动识别方法,其特征在于,该方法包括微表情图像序列预处理、微表情特征提取和微表情识别;所述微表情图像序列预处理,依次包括人脸特征点检测、人脸对齐和面部分块;所述面部分块是指对微表情图像首帧根据特征点进行分块,形成子块;所述微表情特征提取包括,在每个子块,使用CPTOP算子在灰度化的表情序列XY、XT和YT三个平面上提取直方图特征向量,然后级联成一个高维的特征向量作为CPTOP的特征向量;将上述各子块的高维特征向量级联成更高维的特征向量,作为微表情的描述;微表情识别:通过支持向量机构建多个二元分类器实现多分类,通过上述已知类别的高维特征向量有监督地训练支持向量机参数,实现对未知类别微表情的分类。
【技术特征摘要】
1.一种基于多尺度采样的微表情自动识别方法,其特征在于,该方法包括微表情图像序列预处理、微表情特征提取和微表情识别;所述微表情图像序列预处理,依次包括人脸特征点检测、人脸对齐和面部分块;所述面部分块是指对微表情图像首帧根据特征点进行分块,形成子块;所述微表情特征提取包括,在每个子块,使用CPTOP算子在灰度化的表情序列XY、XT和YT三个平面上提取直方图特征向量,然后级联成一个高维的特征向量作为CPTOP的特征向量;将上述各子块的高维特征向量级联成更高维的特征向量,作为微表情的描述;微表情识别:通过支持向量机构建多个二元分类器实现多分类,通过上述已知类别的高维特征向量有监督地训练支持向量机参数,实现对未知类别微表情的分类。2.根据权利要求1所述的一种基于多尺度采样的微表情自动识别方法,其特征在于,在所述微表情图像序列预处理中,所述人脸特征点检测是指对单个表情序列,使用人脸特征点检测方法检测到每一帧的所有特征点,使用其中不易受到微表情动作影响的特征点;所述人脸对齐是指将后续帧对齐到首帧;所述面部分块是指是指根据首帧的特征点,将面部划分成互不重叠的多个子块。3.根据权利要求2所述的一种基于多尺度采样的微表情自动识别方法,其特征在于,所述人脸特征点检测是利用Discriminative Response Map Fitting(DRMF)方法检测到微表情图像的特征点:选择一段微表情序列每帧图像中受微表情影响最小的3个非共线的特征点p=1,L,P,j=1,2,3,P为帧数,为点坐标的x分量,为点坐标的y分量,利用 L 1 j 1 = M p L p j ...
【专利技术属性】
技术研发人员:贲晛烨,李传烨,杨明强,庞建华,冯云聪,任亿,
申请(专利权)人:山东大学,
类型:发明
国别省市:山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。