微观表情识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及生物识别领域，揭露了一种微观表情识别方法，包括：将目标人物的待测面部表情视频进行光流处理，得到视频处理数据；将视频处理数据进行空间特征提取，得到空间向量集合；将视频处理数据进行时序特征提取，得到时序向量集合；将空间向量集合及时序向量集合进行融合计算，得到时空特征向量集合；对时空特征向量集合进行微观表情类别分析，得到待测面部表情视频中的微表情识别结果。此外，本发明专利技术还涉及区块链技术，所述待测面部表情视及其微表情识别结果可存储于区块链中。另外，本发明专利技术还提供了一种微观表情识别装置、电子设备及存储介质。本发明专利技术可以实现同时对微观表情的空间特征与时序特征进行分类分析，增加微观表情识别的准确性。别的准确性。别的准确性。

【技术实现步骤摘要】
微观表情识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及生物识别领域，尤其涉及一种微观表情识别方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]表情是人类表达情感的重要方式之一，心理学中，表情分为宏观表情与微观表情，宏观表情具有欺骗性,但是微观表情能够表现人类内心真实情感，因此，如何检测并识别到目标人物的微观表情，对于人机交互、审问、测谎等领域具有重大意义。
[0003]在调查审问过程中，嫌疑人的面部肌肉收缩纹理、眉毛浮动等微观表情信息由于持续时间短、脸部变化幅度低，特征微弱等特点不日被人捕捉到，通常是利用摄像设备拍摄，再通过局部二值算法(LBP)，获取具有视频中嫌疑人脸上的空间分布的纹理特征，通过分析所述动态纹理特征，识别微表情的类别。但是传统LBP算法只会分析每帧图像中微观表情的空间特征并进行总结，会无视视频中帧与帧之间的相连的动态特征，因为微观表情具有持续时间短、变化幅度低的特征，传统微观表情识别方法无视短暂的动态特征，使得识别率还是较低。

技术实现思路

[0004]本专利技术提供一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微观表情识别方法，其特征在于，所述方法包括：将预先获取到的目标人物的待测面部表情视频进行光流处理，得到视频处理数据；将所述视频处理数据进行空间特征提取，得到空间向量集合；将所述视频处理数据进行时序特征提取，得到时序向量集合；利用预构建的点开关玻尔兹曼机将所述空间向量集合及所述时序向量集合进行融合计算，得到时空特征向量集合；对所述时空特征向量集合进行微观表情类别分析，得到所述待测面部表情视频中所述目标人物的微表情识别结果。2.如权利要求1所述的微观表情识别方法，其特征在于，所述将所述视频处理数据进行空间特征提取，得到空间向量集合，包括：利用预训练的卷积深度信念网络的输入层中的特征提取网络对所述视频处理数据进行微观表情的特征提取，得到特征数据；利用所述卷积深度信念网络的卷积层将所述特征数据进行一维卷积操作，得到一维向量数据；利用所述卷积深度信念网络的池化层对所述一维向量数据进行最大池化操作，得到所述特征向量集合；利用所述卷积深度信念网络的全连接层对所述空间特征集合进行特征连接处理，得到包含各个特征向量之间的空间关系的空间向量集合。3.如权利要求2所述的微观表情识别方法，其特征在于，所述利用预构建的点开关玻尔兹曼机将所述空间向量集合及所述时序向量集合进行融合计算之前，该方法还包括：构建包括输入层、隐含层和输出层的玻尔兹曼机，其中，所述输入层分别连接至所述卷积深度信念网络的全连接层与所述时间卷积神经网络的全连接层；向所述玻尔兹曼机添加开关单元，得到点开关玻尔兹曼机。4.如权利要求1所述的微观表情识别方法，其特征在于，所述将所述视频处理数据进行时序特征提取，得到时序向量，包括：利用预训练的时间卷积神经网络的输入层中的特征提取网络对所述视频处理数据进行相邻帧之间地时序特征提取，得到时序特征集合；利用所述时间卷积神经网络的全连接层对所述变动集合中各个变动特征进行特征连接处理，得到包含各个时序特征对应的时序向量的时序向量集合。5.如权利要求1所述的微观表情识别方法，其特征在于，所述将预先获取到的目标人物的待测面部表情视频进行光流处理，得到视频处理数据，包括：获取所述待测面部表情视频中每一帧图像的顺序，得到帧序列；根据所述帧序列，利用光流近似算法在相邻帧之间进行像素运动估计，得到相邻帧之间的预测图像；利用所述预测图像对所述待测面部表情视频进行补帧操作，得到视频处理数据。6.如权...

【专利技术属性】
技术研发人员：孔德松，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：