The invention relates to the fields of computer vision, emotion calculation, etc. in order to increase the diversity and universality of Au expression data set, the technical scheme adopted in the invention is that the facial expression action unit confrontation synthesis method based on the local attention model extracts the feature of the Au area of the facial movement unit through the local attention model, and then generates the confrontation of the local area, and finally The Au intensity of the enhanced data is evaluated to detect the quality of the generated image. The invention is mainly applied to image processing, face recognition and other occasions.
【技术实现步骤摘要】
基于局部注意力模型的面部表情动作单元对抗合成方法
:本专利技术涉及计算机视觉和情感计算等领域,尤其涉及一种基于条件对抗自编码器(ConditionalAdversarialAutoencoder,CAAE)和局部注意力模型(LocalAttentionModel)相结合的人脸表情运动单元合成方法,该方法可以被广泛用于数据增强、提高人脸表情识别模型精度等应用。
技术介绍
:面部表情能够揭示人的内心活动、精神状态以及向外传达的社交行为。随着人工智能的发展,以人为中心的面部表情识别已逐渐受到业界和学术界的普遍关注。在面部表情分析领域,人类表情的标注方式主要有两种:基于情感类别的标注(如:喜悦、愤怒等)和基于面部运动编码系统(FacialActionCodingSystem,FACS)的标注。前者属于主观标注,适用于表情识别和理解领域;后者根据面部肌肉运动将面部表情分解成30多个具有不同强度的主要运动单元AU(ActionUnits)进行更加客观定量标注,更适用于对面部表情的合成和控制领域,而且AU的检测与识别对于理解和描述人脸表情有着重要的意义。基于此,面部的AU检测与分析已逐渐成为计算机视觉领域和情感计算领域的热门研究内容之一。虽然已有方法对AU标注已经取得一些进展,但是由于面部AU标注非常复杂,现有的AU表情数据集的相对较小,依赖于大量复杂样本的深度模型很难应用于AU分析,导致现有的AU识别与检测仍多基于传统的手工特征和分类模型,应用识别模型和识别结果难以满足复杂环境下表情分析的需求。此外,现有AU数据的不均衡 ...
【技术保护点】
1.一种基于局部注意力模型的面部表情动作单元对抗合成方法,其特征是,通过局部注意力模型对面部运动单元AU区域进行特征提取,然后对局部区域进行对抗生成,最后再对增强数据进行AU强度的评估,以检测生成图像的质量。/n
【技术特征摘要】
1.一种基于局部注意力模型的面部表情动作单元对抗合成方法,其特征是,通过局部注意力模型对面部运动单元AU区域进行特征提取,然后对局部区域进行对抗生成,最后再对增强数据进行AU强度的评估,以检测生成图像的质量。
2.如权利要求1所述的基于局部注意力模型的面部表情动作单元对抗合成方法,其特征是,具体步骤细化如下:
步骤(1),通过局部注意力模型对人脸的局部区域进行特征提取,并基于条件对抗自编码生成模型对局部注意力模型提取的AU特征分布进行学习和建模,形成去除原有AU强度后的人脸特征向量;随后,在自编码生成器的特征层加入指定AU强度的标签信息,从而生成相应AU强度的图像,以达到改变AU强度的效果,从而,建立指定不同强度不同组合的面部运动单元标注与局部注意力模型所提取的初始AU特征分布之间的有效映射;
步骤(2),通过条件自编码器对抗生成模型中的判别器对生成指定AU强度的人脸图像的真实度进行判别,同局部注意力对抗生成模型的生成结果进行博弈优化;
步骤(3),将能够生成目标表情的模型参数应用于面部表情运动单元的生成模型中,实现对不平衡AU数据集的增强与扩充,并将所生成的数据应用于提高AU识别模型精度的工作当中。
3.如权利要求1所述的基于局部注意力模型的面部表情动作单元对抗合成方法,其特征是,步骤(1)中,将基于人脸关键点的AU高斯分布区域作为局部注意力模型的初始化输入,通过AU的识别损失函数对AU的注意力区域进行学习,其识别损失函数的计算方式如下:
其中,Rau(*)是AU注意力区域重定义模型,Dau(*)是预训练AU强度识别模型,是已知AU强度标注的输入图像,y0是的AU强度标注,是均方差损失函数MSE(Meansquarederror),是局部注意力模型所学习出的AU注意力区域;
局部AU生成器将采用条件对抗自编码网络模型CAAE实现对任意给定面部AU编码进行面部表情运动单元合成,CAAE模型通过生成器和判别器两个子系统的目标博弈,实现将所关注的AU信息去除,形成保留除AU以外的人脸身份信息,然后在CAAE的特征层加入所期望的指定AU编码,进而实现对不同AU编码条件下面...
【专利技术属性】
技术研发人员:刘志磊,张翠翠,刘迪一,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津;12
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。