一种基于信息性和代表性主动学习的微表情识别方法技术

本发明专利技术涉及一种基于信息性和代表性主动学习的微表情识别方法，包括：A、微表情样本处理从数据库中挑选微表情样本，并对微表情样本进行特征提取，形成种子集、主动池和测试集；B、信息性和代表性主动学习构建主动学习系统框架，采用信息性与代表性结合的主动学习算法，不断对主动池中样本进行迭代，挑出最具有信息性和代表性的实例，请求它的标签后加入种子集中重新训练；C、微表情识别将更新的种子集通过SVM训练出标准分类器，并对测试样本进行微表情识别，得到其识别率。本发明专利技术中把主动学习的方法应用在微表情识别当中，利用基于信息性和代表性的主动学习方法挑选出最有价值的实例信息，减小微表情样本标注的高额花费，提供了识别率。

【技术实现步骤摘要】
一种基于信息性和代表性主动学习的微表情识别方法
本专利技术涉及一种基于信息性和代表性主动学习的微表情识别方法，属于主动学习和模式识别的

技术介绍
微表情是人们在尝试压抑自己内心的真实情绪与深层情感时产生的短暂的不自主的面部表情，是由情绪和没有思想控制的习惯触发的。它的持续时间极短，往往不被人肉眼所捕捉。尽管如此，微表情所含有的信息量却非常丰富。因为其最能够反映一个人的真实情感和意图，有利于得到最精准的信息，所以在诸多方面都有着许多潜在的用途。目前，在国家安全、司法跟踪和谎言测试中，微表情的潜在价值得以展现，引发了极大的关注。目前，微表情识别仍然存在着较大不足，微表情采集难度很大，人工花费成果较高，导致了微表情数据库的样本数量不足，制约了微表情研究的发展，而且，由于缺乏具有足够训练样本的微表情数据库，微表情识别性能较低。因此，微表情识别的研究发展依然面临巨大的挑战。目前，对于微表情识别，主要流行的方法包括LBP-TOP以及光流特性等。除此之外，其他的微表情特征也可以用于提取并进行识别。Polikovsky等人将人脸分为特定区域，使用三维梯度定位直方图描述子来提取面部运动信息。吴邦国等人提出了一种自动微表情识别系统，使用Gabor滤波器进行特征提取和GentleSVM分类。尽管这些微表情识别方法在微表情数据集上取得了非常优越的识别性能，但依然有值得改进之处。由于微表情的采集难度很大，人工花费的成果较高，导致了微表情数据库的样本数量不足。而且，由于缺乏具有足够训练样本的微表情数据库，使微表情识别性能较低。主动学习通过迭代地选择最有价值的数据来查询标签，从而减少了标签成本,吸引了很多人的兴趣。大多数主动学习方法选择提供信息或具有代表性的无标记实例来查询它们的标签，这可能会极大地限制它们的性能。
技术实现思路
针对现有技术的不足，本专利技术提供了一种基于信息性和代表性主动学习的微表情识别方法。专利技术概述：一种基于信息性和代表性主动学习的微表情识别方法，包括微表情样本处理、信息性和代表性主动学习和微表情识别。现有技术中，大多数主动学习方法选择提供信息或具有代表性的无标记实例来查询它们的标签，这可能会极大地限制它们的性能。本专利技术通过发展一种相结合的方法来解决这一局限性，即基于主动学习的最小最大化观点，该方法为测量和组合无标记实例的信息性和代表性提供了一种系统的方法，因此，可通过最少的花费来训练一个较优的训练集，降低人工标注的高额花费问题。本专利技术的技术方案为：一种基于信息性和代表性主动学习的微表情识别方法，包括：A、微表情样本处理从数据库中挑选微表情样本，并对微表情样本进行特征提取，形成种子集、主动池和测试集；B、信息性和代表性主动学习构建主动学习系统框架，采用信息性与代表性结合的主动学习算法，不断对主动池中样本进行迭代，挑出最具有信息性和代表性的实例，请求它的标签后加入种子集中重新训练；C、微表情识别将更新的种子集通过SVM训练出标准分类器，并对测试样本进行微表情识别，得到其识别率。本专利技术是一种基于信息性和代表性主动学习的微表情识别方法，包含微表情样本处理，信息性和代表性主动学习和微表情识别三个部分，第一部分首先利用CASME、CASMEII的微表情样本建立种子集、主动池和训练集。第二部分利用主动学习从主动池中选择查询样本，被选择的查询样本经由人工标注后加入到种子集。第三部分将种子集中所有的样本作为标注数据，用来训练标准的分类器。在测试集上的识别率被视为对本专利技术的评价。根据本专利技术优选的，所述步骤A，微表情样本处理，包括步骤如下：(1)利用CASME、CASMEII的微表情样本建立种子集和主动池：在CASME、CASMEII上随机地抽取每个类别三分之一的样本形成测试集，余下三分之二的样本形成候选训练集；从候选训练集的每个类别中随机地抽取1个正样本作为主动学习的初始样本，组成种子集，余下的样本被当作主动池；(2)对每个微表情样本进行主方向平均光流特征计算(MainDirectionalMeanOptical-flow，MDMO)，提取MDMO特征：将人脸区域划分为密集的36个分块，分块中将角度划分为8个角度区间，保留含有光流矢量最多的角度区间对应的光流矢量，并进行空间和时间上的平均，最终得到MDMO特征。进一步优选的，提取MDMO特征，包括步骤如下：a、采用DRMF方法对面部区域进行划分，每个微表情样本包括连续帧的微表情视频片段，对于每一个微表情视频片段，在第一帧的面部区域使用DRMF方法准确的定位出面部区域的66个特征点；根据66个特征点的位置，将标准化的面部区域划分为36个感兴趣的区域(region-of-interest,ROIs)；b、对帧序列进行预处理，选取13个受微表情影响最小的特征点，进行光流场的计算，提取MDMO特征。根据本专利技术优选的，所述步骤B，建立主动学习框架，使用基于信息性和代表性主动学习方法在主动池中挑选出具有信息性和代表性的样本，选择一个最有价值的实例信息，使种子集通过训练得到一个分类边界，具体步骤如下：c、设定D表示整个样本数据集，Dl表示有标签的数据集，即种子集，Du表示无标签的训练集，xs表示正在进行查询的样本，Da＝Du∪xs表示所有未标记的样本，即主动池，y＝{yl,yu,ys}作为整个数据集的标签分配，yl,yu,ys分别是分配给Dl,Du,xs的标签；d、审视基于边缘的主动学习方法，通过有标签实例的训练，让f*成为一个分类器模型：定义无标签的数据集为输入，在核函数的映射下，计算无标签的数据集中实例在损失函数约束下所对应的最大分类间隔，如式①所示：式①中：f是指样本空间经过径向基函数的映射；H是一个再生核希尔伯特空间，带有核函数；l是损失函数；λ是分类器参数；nl为有标签数据集的数目；yi为样本标签；f(xi)为有标签数据集通过径向基函数的映射；将基于边界的查询选择与主动学习的最小值公式联系起来，对于二分类问题，每一个实例的标签情况有两种，需分别计算实例的标签对应情况下的目标函数最小值，并从中挑选出最大值作为代表值，进而从所有未标记数据中挑选出最小值的实例，即最接近决策边界的未标记实例，如式②所示：式②中：s*为挑选出的最有价值实例；s为正在进行挑选的样本；ys为正在挑选的样本的类标签；e、计算基于未标记数据结构下的目标函数：在这个关于主动学习的最大最小化视图中，它保证所选的实例将会为目标函数带来一个小的值，而不管它的类标签是什么。为了选择既出含有信息又有代表性的查询实例，将扩展评估函数以包含所有未标记的数据。最小化评估函数如式③所示：式③中，为最小化评估函数；nu为无标签数据集的数目；找到最小化评估函数对应的实例xs；f、为了计算的简单性，选择一个二次损失函数则得到式④：式④中：L＝(K+λI)-1，K是核函数的一个n×n的矩阵，最小化评估函数简化为式⑤：为了便于表示，引用了下标u代表未标记的实例，l代表已标记的实例，用s代表正在查询的实例，用a来代表未标记实例和正在查询实例的集合，在使用这些方便简称的情况下，重新定义公式yTLy，如式⑥所示：对yu求偏导，求得yu的最小值，代入最小化评估函数推出式⑦：为了简化计算，令式⑦式正比于式⑧：g、计算公式⑧中的目标函数，对每一本文档来自技高网...

【技术保护点】
1.一种基于信息性和代表性主动学习的微表情识别方法，其特征在于，包括：A、微表情样本处理从数据库中挑选微表情样本，并对微表情样本进行特征提取，形成种子集、主动池和测试集；B、信息性和代表性主动学习构建主动学习系统框架，采用信息性与代表性结合的主动学习算法，不断对主动池中样本进行迭代，挑出最具有信息性和代表性的实例，请求它的标签后加入种子集中重新训练；C、微表情识别将更新的种子集通过SVM训练出标准分类器，并对测试样本进行微表情识别，得到其识别率。

【技术特征摘要】
1.一种基于信息性和代表性主动学习的微表情识别方法，其特征在于，包括：A、微表情样本处理从数据库中挑选微表情样本，并对微表情样本进行特征提取，形成种子集、主动池和测试集；B、信息性和代表性主动学习构建主动学习系统框架，采用信息性与代表性结合的主动学习算法，不断对主动池中样本进行迭代，挑出最具有信息性和代表性的实例，请求它的标签后加入种子集中重新训练；C、微表情识别将更新的种子集通过SVM训练出标准分类器，并对测试样本进行微表情识别，得到其识别率。2.根据权利要求1所述的一种基于信息性和代表性主动学习的微表情识别方法，其特征在于，所述步骤A，微表情样本处理，包括步骤如下：(1)利用CASME、CASMEII的微表情样本建立种子集和主动池：在CASME、CASMEII上随机地抽取每个类别三分之一的样本形成测试集，余下三分之二的样本形成候选训练集；从候选训练集的每个类别中随机地抽取1个正样本作为主动学习的初始样本，组成种子集，余下的样本被当作主动池；(2)对每个微表情样本进行主方向平均光流特征计算，提取MDMO特征：将人脸区域划分为36个分块，分块中将角度划分为8个角度区间，保留含有光流矢量最多的角度区间对应的光流矢量，并进行空间和时间上的平均，最终得到MDMO特征。3.根据权利要求2所述的一种基于信息性和代表性主动学习的微表情识别方法，其特征在于，提取MDMO特征，包括步骤如下：a、采用DRMF方法对面部区域进行划分，每个微表情样本包括连续帧的微表情视频片段，对于每一个微表情视频片段，在第一帧的面部区域使用DRMF方法准确的定位出面部区域的66个特征点；根据66个特征点的位置，将标准化的面部区域划分为36个感兴趣的区域(region-of-interest,ROIs)；b、对帧序列进行预处理，选取13个受微表情影响最小的特征点，进行光流场的计算，提取MDMO特征。4.根据权利要求1所述的一种基于信息性和代表性主动学习的微表情识别方法，其特征在于，所述步骤B，建立主动学习框架，使用基于信息性和代表性主动学习方法在主动池中挑选出具有信息性和代表性的样本，选择一个最有价值的实例信息，使种子集通过训练得到一个分类边界，具体步骤如下：c、设定D表示整个样本数据集，Dl表示有标签的数据集，即种子集，Du表示无标签的训练集，xs表示正在进行查询的样本，Da＝Du∪xs表示所有未标记的样本，即主动池，y＝{yl,yu,ys}作为整个数据集的标签分配，yl,yu,ys分别是分配给Dl,Du,xs的标签...

【专利技术属性】
技术研发人员：贲晛烨，姜馨蕊，李玉军，张杰，任亿，孙静，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37