The invention discloses a microexpression classification method based on optical flow method, which includes the following steps: (1) using Haar feature and Adaboost algorithm to locate the face and facial features of the first frame image in the video; (2) calculating the position of the facial features to obtain the optical flow value of the facial features; (3) inputting the optical flow value of the obtained facial features into each decision of the microexpression classifier. In the policy tree, the optical flow value starts from the root node of the decision tree and arrives at the leaf node of the decision tree after node judgment, and gets the classification of the microexpressions of the video to be measured by each decision tree; (4) Statistical analysis is made on the classification of the microexpressions of the video to be measured by all the decision trees, and the classification of the microexpressions of the video to be measured is determined. The micro-expression classification method based on optical flow method can reduce the training time of micro-expression and the classification time of micro-expression, and improve the classification accuracy of micro-expression.
【技术实现步骤摘要】
一种基于光流法的微表情分类方法
本专利技术属于微表情
,尤其涉及一种基于光流法的微表情分类方法。
技术介绍
情绪是人某种内心感受的体验,而表情是人情绪最重要的外部表现形式之一。表情有真假,人可以根据主观意识隐藏自己对外来信息的反应、隐藏自己内心的真实活动,,但是内心的情绪确实客观存在的。心理学研究发现,人在表达情绪的时候,总会伴随着微表情的发生,而微表情是具有不易掩盖伪装的特点,近些年来受到大量研究者的青睐。1966年Haggard等第一次提出了微表情的概念,此后Ekman等报道了关于微表情的案例。在一段心理医生与抑郁症病人的对话中,经常微笑的病人偶尔有几帧非常痛苦的表情。研究人员将这种人在经历强烈情绪时产生的快速、无意识的自发式面部动作称为微表情。经过调研,人类社会50%以上的交流都是通过表情实现的。微表情属于表情的一种,携带的信息也是非常丰富,值得深入研究;而且,由于微表情是一种无意识的面部动作,没有掺杂任何人为的掩饰信息,它在情绪识别任务上的可靠度很高,对表情情感识别任务有潜在的利用价值,如婚姻关系预测、交流谈判、教学评估等。但是,微表情的持续时间非常短,研究表明微表情仅持续1/25s~1/3s,且动作幅度非常小,不会同时在上半脸和下半脸出现,因此正确观测并且识别有着相当的难度。在现实生活中,即使经过专业训练,对人脸微表情的正确识别率也不高。
技术实现思路
专利技术目的:本专利技术提供一种可准确捕捉被测人的微表情,并对对被测人的情绪进行准确判断的基于光流法的微表情分类方法。技术方案:一种基于光流法的微表情分类方法,包括如下步骤:(1)利用Haar特 ...
【技术保护点】
1.一种基于光流法的微表情分类方法,其特征在于:包括如下步骤:(1)利用Haar特征及Adaboost算法对待测视频中第一帧图像的人脸和五官进行定位;(2)对五官所处的位置进行光流计算,获取五官位置的光流值:在所述的第一帧整帧图像上设置一组控制点,将光流估值分为控制点的光流估值项Edata(D)和在控制点附近的微小变形光流估值项Esmooth(D);其表达式为:Edata(D)=∫Ω|I(x,f)‑I(x+D(x),f+1)|dx
【技术特征摘要】
1.一种基于光流法的微表情分类方法,其特征在于:包括如下步骤:(1)利用Haar特征及Adaboost算法对待测视频中第一帧图像的人脸和五官进行定位;(2)对五官所处的位置进行光流计算,获取五官位置的光流值:在所述的第一帧整帧图像上设置一组控制点,将光流估值分为控制点的光流估值项Edata(D)和在控制点附近的微小变形光流估值项Esmooth(D);其表达式为:Edata(D)=∫Ω|I(x,f)-I(x+D(x),f+1)|dx其中,x表示像素,f表示图像序列中的第f帧,D表示2D位移矢量场;光流估值Etotal(D)表达式为:Etotal(D)=Edata(D)+λEsmooth(D)其中,λ为控制点的光流估值项和控制点附近的微小变形光流估值项的相对系数;(3)将获得的五官位置的光流值输入到微表情分类器的每一决策树中,光流值从决策树的根节点出发,经过节点判断后到达决策树的叶节点,得到每一决策树对所述的待测视频的微表情分类的类别;(4)将所有决策树对所述的待测视频的微表情分类的类别进行统计,确定对所述的待测视...
【专利技术属性】
技术研发人员:李立阳,刘海天,付建苏,王会龙,张民强,邱德明,陈阳,王梓,刘飞,
申请(专利权)人:中国电子科技集团公司第二十八研究所,
类型:发明
国别省市:江苏,32
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。