The invention relates to a microexpression recognition method based on multi-feature and multi-task dictionary sparse transfer learning, including training phase and testing phase. In order to simplify calculation and improve efficiency, the projected data is sparsely represented by a dictionary; in order to further narrow the data gap between the two domains, the dictionaries of the two domains are reconstructed to each other to realize the dictionary. In order to fully represent the characteristics of micro-expressions, the present invention extracts four different features from micro-expressions and selects the best combination by multi-features; and in order to highlight the detailed expression of micro-expressions, the present invention introduces the idea of multi-tasks into the first step. Step improves recognition effect.
【技术实现步骤摘要】
一种基于多特征多任务字典稀疏迁移学习的微表情识别方法
本专利技术涉及一种基于多特征多任务字典稀疏迁移学习的微表情识别方法,属于模态识别以及机器学习的
技术介绍
微表情是人们在抑制状态下或者试图隐藏真实情感时泄露的一种时间极短、不由自主的面部表情。1966年,Haggard和Issacs首次发现了这种细微的表情。传统意义的人脸表情(我们称之为宏表情)具有较大的修饰性,一个正常的成年人可以在经过大脑思考之后再呈现出令他满意的表情,而微表情是电光火石之间不经意流露出来的表情,是一个人最真实的情感泄露,因此很难经过大脑的“筛查”,所以微表情更容易暴露一个人的真正内心活动,由于微表情存在该特点,其被认定是一种可靠的侦测谎言的线索。虽然微表情概念提出较早,但是由于其自身特点一直难以被捕捉、量化,因此在相当长的时间内,微表情的研究缓慢而平淡。2002年,微表情研究取得了巨大进展,Ekman等人开发了微表情训练工具(MicroExpressionTrainingTool,METT),该工具提供了微表情训练模式,并将微表情分为常见的七种分类,该工具有效的提高了微表情识别能力。随着人脸表情算法的进步,微表情的研究工作取得了长足的进步。随着微表情研究的深入开展,微表情识别技术取得了长足的进步。目前的识别方法主要分为两类:1.应变模式方法;2.机器学习类方法。应变模式方法主要是关注面部肌肉的应变响应,Godavarthy等人提出了一种计算连续帧之间的光流阈值方法来检测微表情,通过计算各帧域中性表情帧的光流域光流应变值来判断是否满足微表情;Shreve团队将人脸图像进行区 ...
【技术保护点】
1.一种基于多特征多任务宏表情字典稀疏迁移学习的微表情识别方法,其特征在于,包括训练阶段、测试阶段;A、训练阶段,包括步骤如下:(1)对微表情域中每个图片平均分成若干分块;(2)对宏表情域和微表情域提取最具代表性的特征;对于宏表情域,提取的最具代表性的特征是LBP特征;对于微表情域中的每个分块,提取的最具代表性的特征包括光流特征、LBP‑TOP特征、VLBP特征、LOCP‑TOP特征;(3)对步骤(2)提取的特征进行降维;(4)对步骤(3)处理后的特征进行分组,将宏表情域中的特征均分为宏表情域测试集、宏表情域训练集,将微表情域中的特征均分为微表情域测试集、微表情域训练集;(5)将宏表情域训练集和微表情域训练集的数据投影到一个公共空间,在该公共空间中设定宏表情域的稀疏字典与微表情域的稀疏字典;将设定微表情域的稀疏字典用设定宏表情稀疏字典进行线性重构,通过计算获得宏表情域的稀疏字典、微表情域的稀疏字典、宏表情域的投影矩阵、微表情域的投影矩阵、微表情域的重构矩阵、宏表情域的稀疏系数表示矩阵,微表情域的稀疏系数表示矩阵;B、测试阶段,包括步骤如下:(6)对于给定宏表情域测试集、微表情域测试集, ...
【技术特征摘要】
1.一种基于多特征多任务宏表情字典稀疏迁移学习的微表情识别方法,其特征在于,包括训练阶段、测试阶段;A、训练阶段,包括步骤如下:(1)对微表情域中每个图片平均分成若干分块;(2)对宏表情域和微表情域提取最具代表性的特征;对于宏表情域,提取的最具代表性的特征是LBP特征;对于微表情域中的每个分块,提取的最具代表性的特征包括光流特征、LBP-TOP特征、VLBP特征、LOCP-TOP特征;(3)对步骤(2)提取的特征进行降维;(4)对步骤(3)处理后的特征进行分组,将宏表情域中的特征均分为宏表情域测试集、宏表情域训练集,将微表情域中的特征均分为微表情域测试集、微表情域训练集;(5)将宏表情域训练集和微表情域训练集的数据投影到一个公共空间,在该公共空间中设定宏表情域的稀疏字典与微表情域的稀疏字典;将设定微表情域的稀疏字典用设定宏表情稀疏字典进行线性重构,通过计算获得宏表情域的稀疏字典、微表情域的稀疏字典、宏表情域的投影矩阵、微表情域的投影矩阵、微表情域的重构矩阵、宏表情域的稀疏系数表示矩阵,微表情域的稀疏系数表示矩阵;B、测试阶段,包括步骤如下:(6)对于给定宏表情域测试集、微表情域测试集,分别通过步骤(5)得到宏表情域的投影矩阵、微表情域的投影矩阵,对宏表情数据集和微表情数据集投影到公共空间;(7)利用通过步骤(5)得到的宏表情域的稀疏字典、微表情域的稀疏字典,分别对投影到公共空间的宏表情域测试集、微表情域测试集进行线性重构,得到宏表情域测试集的稀疏系数表示矩阵、微表情域测试集的稀疏系数表示矩阵;(8)通过机器识别经典算法K近邻分类器(KNN)对步骤(7)得到的宏表情域测试集的稀疏系数表示矩阵、微表情域测试集的稀疏系数表示矩阵进行分类识别。2.根据权利要求1所述的一种基于多特征多任务宏表情字典稀疏迁移学习的微表情识别方法,其特征在于,所述步骤(2),对宏表情域和微表情域提取最具代表性的特征,包括:a、对宏表情域和微表情域进行特征提取,对于宏表情域,提取的特征nx是指宏表情域的样本个数;是指宏表情域中nx个样本提取的LBP特征,R是指矩阵X的大小;mx是指宏表情域的特征维数;对于微表情域,提取的特征ny是指微表情域的样本个数;Y1、Y2、Y3、Y4分别...
【专利技术属性】
技术研发人员:贲晛烨,冯云聪,韩民,朱雪娜,张鑫,陈瑞敏,
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。