一种基于面部微表情动态识别的抑郁倾向检测方法技术

本发明专利技术公开了一种基于面部微表情动态识别的抑郁倾向检测方法，包括：S1，采集人脸的面部微表情视频，并提取每个面部微表情视频的动态图像；S2，将动态图像输入到已经训练好的微表情识别模型中，微表情识别模型输出动态图像所属的类别；S3，根据动态图像所属的类别判断是否含有消极情绪；若有，则所属表情类别为消极的，记为有抑郁倾向。本发明专利技术能够是能够识别出高压环境工作者的消极情绪，从而能够更准确的判断是否有抑郁倾向。的判断是否有抑郁倾向。的判断是否有抑郁倾向。

【技术实现步骤摘要】
一种基于面部微表情动态识别的抑郁倾向检测方法


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于面部微表情动态识别的抑郁倾向检测方法。

技术介绍

[0002]在日常的社交生活中，面部表情能够提供人的情感信息，普通的面部表情维持4～5秒，是很容易被肉眼所捕捉。面部微表情是一种自发的、难以捕获的能够表达人的真实情感和心理状态的面部表情，持续时间在1/3～1/25秒，与正常的面部表情相比，面部微表情的肌肉运动幅度较小，持续时间更短，发生区域有限。而识别面部微表情任务能够用在一些特殊场景，例如科研人员的情绪监测、参与重大抗疫的医务人员情绪监测。现在人们对于这些在高压工作环境下的工作者的心理状态都有所忽视。但是，目前科研人员的心理疾病也处于一种多发的状态，主要表现有焦虑症、抑郁症等心理疾病。
[0003]大部分现有的抑郁情绪的识别主要在集中在压抑这一类的情绪的识别，这样识别出来的结果不够准确。因为但是除了压抑，比如生气、轻视、厌恶、恐惧、悲伤这类消极情绪也能导致抑郁情绪。如果工作人员长时间且多次检测出消极情绪，那可以认为该工作者的抑郁倾向更高，可以及时的进行心理疏导，对于保障工作者健康有着重大意义。此外光靠人来进行面部微表情识别的并不能保证准确率，远远达不到应用的要求，近几年来计算机视觉技术发展迅猛，利用计算机技术实现面部微表情识别也是大势所趋。

技术实现思路

[0004]为了克服上述现有技术的不足，本专利技术提供了一种基于面部微表情动态识别的抑郁倾向检测方法，采用了一种动态识别的方式识别面部微表情从而更准确判断抑郁倾向。因为面部微表情是一种自发的、难以控制的表达真实情绪的表情，所以本方法选择面部微表情作为特征来识别，以此得到真实情绪。针对抑郁倾向，本方法考虑了多种消极情绪，不只局限于压抑情绪，方法上构建了面部微表情识别模型对面部微表情进行识别，针对面部微表情的难识别性，获取面部微表情视频的动态图形，代替原视频帧作为模型的输入，改进了卷积过程，提出吸聚、局部响应归一化过程，获得良好的面部微表情识别效果。
[0005]本专利技术的目的通过以下的技术方案实现：
[0006]一种基于面部微表情动态识别的抑郁倾向检测方法，包括：
[0007]S1，采集人脸的面部微表情视频，并提取每个面部微表情视频的动态图像；
[0008]S2，将动态图像输入到已经训练好的微表情识别模型中，微表情识别模型输出动态图像所属的类别；
[0009]S3，根据动态图像所属的类别判断是否含有消极情绪；若有，则所属表情类别为消极的，记为有抑郁倾向。
[0010]优选地，微表情识别模型的训练包括：采集训练的面部微表情视频样本，获取对应的情绪类别；根据面部微表情视频样本获取每个面部微表情视频的动态图像；构建微表情
识别模型，将动态图像输入微表情识别模型进行训练。
[0011]优选地，将动态图像输入微表情识别模型进行训练之后还包括：表情识别模型输出情绪类别，将输出的情绪类别和获取的对应的情绪类别进行对比，判定表情识别模型的准确性。
[0012]优选地，在步骤S1中面部微表情包括：压抑、生气、轻视、厌恶、恐惧、悲伤、高兴、惊讶和其他，其中压抑、生气、轻视、厌恶、恐惧、悲伤为消极情绪。
[0013]优选地，提取每个面部微表情视频的动态图像包括：将面部微表情视频输入到动态图像模型，获取动态图像。
[0014]优选地，将面部微表情视频输入到动态图像模型，获取动态图像包括：面部微表情视频的视频帧为v，面部微表情视频序列为V＝[v1， v2，...，v
n
]；对面部微表情视频序列进行平滑处理，获取时变平均矢量；通过计算时变平均矢量和视频帧的内积得到与时间有关的帧得分；通过排序函数将视频帧转换为单一的包含所有帧信息的向量帧u，向量帧u即为动态图像。
[0015]优选地，构建微表情识别模型，将动态图像输入微表情识别模型进行训练包括：
[0016]S41，将通过动态图像模型获取的微表情动态图像依次输入到微表情识别模型：
[0017]S42，卷积操作提取特征，即通过卷积运算从输入的微表情动态图像中提取特征，再将特征反馈给下一层，采用线性整流单元作为激活函数；
[0018]S43，积聚操作结合前几层的相关相应特性，增强模型的学习能力；
[0019]S44，将每一个横向的通路输出进行串联，保留微表情动态图像的所有相应特征，再将特征传递到下一层；
[0020]S45，局部响应归一化，减去批均值除以标准差对前一接触层的结果进行归一化；
[0021]S46，将全连接层与前面的卷积操作的激活全连接；
[0022]S46，采用最后全连接层的输出，根据输出计算误差，通过目标函数来进行反向传播，通过链式法则依次对函数求导，更新权值和偏置；
[0023]S47，循环执行步骤S41至S47进行迭代训练，直到训练结果最优。
[0024]优选地，在步骤S42中卷积操作选择更适合微表情任务的小尺寸的卷积核，选择较大的步长的卷积代替池化操作，增加特征之间的依赖性。
[0025]优选地，在步骤S46中全连接层每次迭代通过去掉一半的特征检测器，缓解过拟合的问题。
[0026]本专利技术相对于现有技术具有如下优点：
[0027]与现有的技术相比，本专利技术一种基于面部微表情动态识别的抑郁倾向检测方法能够是能够识别出高压环境工作者的消极情绪，从而判断是否有抑郁倾向。方法上提出了微表情识别模型，在卷积操作上做出改进，选择小尺寸的卷积核，更加适合微表情识别任务，选择更大步长的卷积代替池化操作，增加特征之间的依赖性，从而获得更精准的识别分类。
附图说明
[0028]构成本申请的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0029]图1为本专利技术的基于面部微表情动态识别的抑郁倾向检测方法的流程示意图。
[0030]图2为本专利技术提取面部微表情动态图像的流程图。
[0031]图3为本专利技术的微表情识别模型的原理图。
具体实施方式
[0032]下面结合附图和实施例对本专利技术作进一步说明。
[0033]如图1所示，一种基于面部微表情动态识别的抑郁倾向检测方法的包括以下步骤：
[0034](1)采集训练的面部表情视频样本，获取对应的情绪类别：面部表情包括压抑、生气、轻视、厌恶、恐惧、悲伤、高兴、惊讶和其他，其中压抑、生气、轻视、厌恶、恐惧、悲伤为消极情绪，在此方法中定义为有抑郁倾向的情绪。通过CASME、SAMM、SMIC三个自发的面部微表情数据集获取训练的面部微表情视频，上述数据集的每一个样本都有对应的情绪类别标签，将以上几种消极情绪的面部微表情视频筛选出来，并注明情绪类别标签。
[0035](2)提取面部微表情视频的动态图像，将面部微表情视频输入到动态图像模型，动态图像模型保存面部微表情视本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于面部微表情动态识别的抑郁倾向检测方法，其特征在于，包括：S1，采集人脸的面部微表情视频，并提取每个面部微表情视频的动态图像；S2，将动态图像输入到已经训练好的微表情识别模型中，微表情识别模型输出动态图像所属的类别；S3，根据动态图像所属的类别判断是否含有消极情绪；若有，则所属表情类别为消极的，记为有抑郁倾向。2.根据权利要求1所述的基于面部微表情动态识别的抑郁倾向检测方法，其特征在于，微表情识别模型的训练包括：采集训练的面部微表情视频样本，获取对应的情绪类别；根据面部微表情视频样本获取每个面部微表情视频的动态图像；构建微表情识别模型，将动态图像输入微表情识别模型进行训练。3.根据权利要求3所述的基于面部微表情动态识别的抑郁倾向检测方法，其特征在于，将动态图像输入微表情识别模型进行训练之后还包括：表情识别模型输出情绪类别，将输出的情绪类别和获取的对应的情绪类别进行对比，判定表情识别模型的准确性。4.根据权利要求1所述的基于面部微表情动态识别的抑郁倾向检测方法，其特征在于，在步骤S1中面部微表情包括：压抑、生气、轻视、厌恶、恐惧、悲伤、高兴、惊讶和其他，其中压抑、生气、轻视、厌恶、恐惧、悲伤为消极情绪。5.根据权利要求1所述的基于面部微表情动态识别的抑郁倾向检测方法，其特征在于，提取每个面部微表情视频的动态图像包括：将面部微表情视频输入到动态图像模型，获取动态图像。6.根据权利要求5所述的基于面部微表情动态识别的抑郁倾向检测方法，其特征在于，将面部微表情视频输入到动态图像模型，获取动态图像包括：面部微表情视频的视频帧为v，面部微表情视频序列为V＝[v1，v2，...，v<...

【专利技术属性】
技术研发人员：周智恒，许施婷，李波，宋雨庭，胥静，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：