The invention discloses a cross library micro expression recognition method and device based on optical flow attention neural network, the method includes: (1) acquiring two different micro expression databases as training sets and test sets; (2) transforming micro expression video into face image sequences; (3) extracting start frame, peak frame and end frame from each face image sequence, and calculating them from start frame and peak frame The first single channel optical flow graph is calculated from the peak frame and the termination frame to obtain the second single channel optical flow graph; (4) the first single channel optical flow graph, the second single channel optical flow graph and the peak frame of each face image sequence are composed of the fusion feature graph; (5) the optical flow attention neural network is established, and the fusion feature graph corresponding to the training set and the test set is used as the input for training; (6) the micro table to be identified is used The fusion feature map is obtained by emotion video processing, and the micro expression category is obtained by inputting the optical flow attention neural network. The invention has strong generalization ability and high recognition accuracy.
【技术实现步骤摘要】
基于光流注意力神经网络的跨库微表情识别方法及装置
本专利技术涉及图像处理技术,尤其涉及一种基于光流注意力神经网络的跨库微表情识别方法及装置。
技术介绍
微表情(Micro-Expression)是一种人类在试图隐藏某种情感时无意识做出的短暂的面部表情。微表情是一种重要的真实情感信息,通常能够有效地反应一个人的真实心理状态,被认为是识别谎言的关键信息,对理解人类真实情感状态,有着重要的作用。因此,有效准确识别微表情,对日常生产生活有着重大的意义。例如,在刑侦时,经过微表情识别训练的审讯员可以更有效地判断嫌疑人话语的真实性,更有针对性地获取可靠信息;在临床医疗中,医生可以通过微表情识别有效推测患者的真实状态,从而更有效地与患者交流,改进治疗方案。与普通表情相比,微表情持续非常短,研究表明微表情仅持续1/25~1/3s。与此同时微表情面部肌肉动作幅度也非常小,通常只发生在人脸中很小的一部分区域,不会同时出现在上半脸和下半脸。因此对于没有经过专业训练的普通人,捕捉并正确识别微表情有着相当的难度。但人工识别微表情的经济成本和时间成本较高,难以大规模推广,并且人工识别易受环境的影响。受益于计算机视觉技术的快速发展,当前通过计算机手段自动识别微表情具有一定的可行性和商业价值。微表情识别指将给定的微表情样本识别为某一具体的情绪类别,相关研究主要基于传统机器学习方法,依靠LBP相关的时空描述子特征或光流相关的特征。LBP-TOP特征是局部二值模式(LocalBinaryPattern,LBP)在三维空间上的拓展,可有效描述图片 ...
【技术保护点】
1.一种基于光流注意力神经网络的跨库微表情识别方法,其特征在于该方法包括:/n(1)获取两个不同的微表情数据库,分别作为训练集和测试集,其中,每个数据库中包含有若干个微表情视频及其对应的微表情类别标签;/n(2)将训练集和测试集中所有微表情视频转化为对应的人脸图像序列;/n(3)从每一人脸图像序列中抽取起始帧、峰值帧和终止帧,由起始帧和峰值帧计算得到第一单通道光流图,由峰值帧和终止帧计算得到第二单通道光流图;/n(4)将每一人脸图像序列的第一单通道光流图、第二单通道光流图和峰值帧组成一幅多通道图像,作为对应微表情视频的融合特征图;/n(5)建立光流注意力神经网络,并将训练集和测试集中微表情视频的融合特征图同时输入进行训练,训练时采用的整体损失函数为:训练集对应的神经网络输出和测试集对应的神经网络输出的最大均值差异,加上训练集对应的神经网络输出经过Softmax处理得到的微表情类别和训练集中存储的微表情类别标签的交叉熵;/n(6)将待识别的微表情视频按照步骤(2)~(4)进行处理,得到融合特征图,并将得到的融合特征图输入训练好的光流注意力神经网络,输出即为识别出的微表情类别。/n
【技术特征摘要】 【专利技术属性】
1.一种基于光流注意力神经网络的跨库微表情识别方法,其特征在于该方法包括:
(1)获取两个不同的微表情数据库,分别作为训练集和测试集,其中,每个数据库中包含有若干个微表情视频及其对应的微表情类别标签;
(2)将训练集和测试集中所有微表情视频转化为对应的人脸图像序列;
(3)从每一人脸图像序列中抽取起始帧、峰值帧和终止帧,由起始帧和峰值帧计算得到第一单通道光流图,由峰值帧和终止帧计算得到第二单通道光流图;
(4)将每一人脸图像序列的第一单通道光流图、第二单通道光流图和峰值帧组成一幅多通道图像,作为对应微表情视频的融合特征图;
(5)建立光流注意力神经网络,并将训练集和测试集中微表情视频的融合特征图同时输入进行训练,训练时采用的整体损失函数为:训练集对应的神经网络输出和测试集对应的神经网络输出的最大均值差异,加上训练集对应的神经网络输出经过Softmax处理得到的微表情类别和训练集中存储的微表情类别标签的交叉熵;
(6)将待识别的微表情视频按照步骤(2)~(4)进行处理,得到融合特征图,并将得到的融合特征图输入训练好的光流注意力神经网络,输出即为识别出的微表情类别。
2.根据权利要求1所述的基于光流注意力神经网络的跨库微表情识别方法,其特征在于:训练集和测试集中,同一类别的微表情视频的类别标签相同。
3.根据权利要求1所述的基于光流注意力神经网络的跨库微表情识别方法,其特征在于:步骤(2)具体包括:
(2-1)获取训练集和测试集中所有微表情视频的起始帧;
(2-2)对起始帧进行人脸检测,得到人脸位置信息;
(2-3)根据起始帧的人脸位置信息,从微表情视频的每帧图像中裁剪出矩形人脸图像,得到人脸图像序列。
4.根据权利要求1所述的基于光流注意力神经网络的跨库微表情识别方法,其特征在于:步骤(3)具体包括:
技术研发人员:郑文明,夏万闯,宗源,江星洵,路成,刘佳腾,
申请(专利权)人:东南大学,
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。