【技术实现步骤摘要】
基于AU
‑
EMO关联与图神经网络的零样本表情识别方法及系统
[0001]本专利技术涉及人工智能
,特别涉及一种基于AU(Action Unit,面部运动单元)
‑
EMO(Emotion,表情)关联与图神经网络的零样本表情识别方法及系统。
技术介绍
[0002]面部表情是人类情感的重要载体,表达了情绪、状态等丰富的内在信息。现有的表情识别方法大多关注Ekman定义的7种基本表情:开心、悲伤、惊讶、恐惧、厌恶、生气和中性表情。但随着情感心理学的发展,越来越多的情绪类别被纳入衡量人类内在状态表达的范畴。2012年,Martinez等人提出了情绪连续模型的概念;2014年,Du等人在基本表情类别的基础上,以两两组合的方式提出了复合表情的概念,由此将表情类别扩展到21类,并使用计算模型证明了这些复合表情在视觉上是可区分的;2017年,心理学家Alan和Dacher通过自我报告(self
‑
report)的方式观察被试者在观看不同影片时的情绪体验,提出人的情感状态可以平滑的分布为27种不同的类别。在智能感知领域,通常通过捕获人的面部图片,并通过自动表情识别系统来推理对应的情绪状态。
[0003]除了通过增加定义离散表情标签来表示人类的情绪体验,另外一种扩展表情识别的情感维度的方式是使用Ekman和Friesen提出的面部表情编码系统(Facial Action Coding System,FACS),通过系列面部运动单元(Action Unit,AUs)分别对 ...
【技术保护点】
【技术特征摘要】
1.一种基于AU
‑
EMO关联与图神经网络的零样本表情识别方法,其特征在于,所述基于AU
‑
EMO关联与图神经网络的零样本表情识别方法包括:采用卷积神经网络对输入的表情图像进行深度视觉特征自学习,得到可见类别的分类器权重和用于提取表情图像视觉特征的视觉特征提取器;基于各种不同面部运动单元AU的定义,根据AU动作因为受到面部肌肉的牵引而在视觉空间产生的关联关系,生成具有内在AU关联的AU语义特征;基于AU语义特征以及AU与表情EMO之间的关联关系,建立表情类别的语义特征向量;同时建模各表情类别间的转移关系并衡量所述转移关系的权重;将表情类别的语义特征向量和所述转移关系的权重结合,构建AU
‑
EMO关联图谱;其中,在所述AU
‑
EMO关联图谱中,节点嵌入为表情类别的语义特征向量,每一对节点间的边权重则为对应的所述转移关系的权重;通过图卷积神经网络在所述AU
‑
EMO关联图谱上进行消息传播,并结合所述可见类别的分类器权重,得到所述图卷积神经网络对所有类别的权重预测;针对待预测表情类别的表情图像,通过所述视觉特征提取器提取视觉特征,并将提取的视觉特征以内积形式与所述权重预测融合,预测图像所属表情类别。2.如权利要求1所述的基于AU
‑
EMO关联与图神经网络的零样本表情识别方法,其特征在于,所述采用卷积神经网络对输入的表情图像进行深度视觉特征自学习,得到可见类别的分类器权重和用于提取表情图像视觉特征的视觉特征提取器,包括:采用卷积神经网络对输入的表情图像进行深度视觉特征自学习,并将所述卷积神经网络的最后一层全连接层的权重视作可见类别的分类器权重,其余隐藏层的权重视作卷积特征提取权重,从而得到视觉特征提取器。3.如权利要求2所述的基于AU
‑
EMO关联与图神经网络的零样本表情识别方法,其特征在于,在将表情图像输入卷积神经网络之前,所述方法还包括:将待输入的图像预处理成224
×
224的大小,并使用大型数据集ImageNet的图像参数归一化;对于训练时期的图像,将其变形,以缓解模型过拟合问题。4.如权利要求1所述的基于AU
‑
EMO关联与图神经网络的零样本表情识别方法,其特征在于,所述基于各种不同面部运动单元AU的定义,根据AU动作因为受到面部肌肉的牵引而在视觉空间产生的关联关系,生成具有内在AU关联的AU语义特征,包括:根据各种不同AU的定义,首先将其转化成动词形式表达的词组向量;采用预训练好的词向量模型,根据所述词组向量得到AU的初始语义特征;根据AU发生时在面部上展现出的肌肉动作关联关系,根据各种AU能否同时发生的概率建立AU关联图;其中,在所述AU关联图中,节点是各个AU的初始语义特征,边的权重是数学建模出的AU关联关系;在所述AU关联图的基础上,使用编码器
‑
解码器格式重构所述AU关联图,并将编解码器产生的中间向量作为最终的AU语义特征向量。5.如权利要求4所述的基于AU
‑
EMO关联与图神经网络的零样本表情识别方法,其特征在于,所述采用预训练好的词向量模型,根据所述词组向量得到AU的初始语义特征,包括:当AU描述短语中包含人造词时,将AU描述短语中所有包含的人造词用动词形式改写,以使描述短语符合所述词向量模型的语料库范畴;对于以词组形式出现的AU描述,以平均
词向量的方式来聚合获得其对应的初始语义特征。6.如权利要求4所述的基于AU
‑
EMO关联与图神经网络的零样本表情识别方法,其特征在于,在所述AU关联图的基础上,使用编码器
‑
解码器格式重构AU关联图并将编解码器产生的中间向量作为最终的AU语义特征向量,包括:使用图卷积网络作为编码器结构:其中,B表示AU关联图的邻接矩阵,D是B相应的度矩阵,W
θ
是可学习的投影权重矩阵参数,Z是AU的初始语义特征;将经过所述编码器得到的中间向量的输出作为最终的AU语义特征向量;使用内积形式的解码器:其中,是使用中间向量重构出来的AU关联图的邻接矩阵。7.如权利要求1所述的基于AU
‑
EMO关联与图神经网络的零样本表情识别方法,其特征在于,所述建立表情类别的语义特征向量,包括:从AU
‑
EMO关联关系的角度出发,利用AU的语义特征来为每一种表情类别生成语义特征向量,每个表情类别y的语义特征向量T
y
用下式计算:其中,表示一般平均池化,P(AU
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。