【技术实现步骤摘要】
时空域信息融合随机森林的微表情检测方法
[0001]本专利技术属于图像处理及人工智能
，具体涉及一种时空域信息融合随机森林的微表情检测方法。
技术介绍
[0002]面部微表情是内心真实情绪的外延折射，区别于宏表情，其不受意识控制，通常持续时间非常短暂，仅在1/5秒到1/25秒之间，在脸部特定位置发生。所以微表情识别在测谎监测等多种领域场合有着较重要的应用。过去微表情分析技术仅适用于经验丰富的心理学专家，随着人工智能技术的发展，及其在机器学习、表情识别领域不断的突破和应用，为微表情检测识别技术提供了动力支撑，近年来关于微表情识别领域的研究成果一直在逐年递增。
[0003]微表情识别过程一般分为以下几个步骤：图像采集、图像预处理、微表情检测、特征提取、微表情分类。其中微表情特征提取目前方法主要有传统分析方法及深度学习方法。传统分析方法中主要包含局部二值模式(LBP，Local Binary Patterns)的方法、基于光流场特征的方法、基于张量变化分析的方法。深度学习方法中主要包括基于卷积神经网络(CNN， Co...
【技术保护点】
【技术特征摘要】
1.一种时空域信息融合随机森林的微表情检测方法，其特征在于，包括以下步骤：S1：通过人脸跟踪检测，完成输入视频序列预处理；S2：使用所提出的特征空间表示整个视频序列，由呈现为金字塔式层级的二维子区域表征的统一局部二进制模式来表示；S3：采用改进的增强方式融合时空域信息作为随机森林源对象；S4：使用基于随机森林的嵌入式特征选择方法来选择最具区别性的特征；S5：基于时空域信息融合随机森林算法构建微表情分类器。2.根据权利要求1所述的时空域信息融合随机森林的微表情检测方法，其特征在于，所述步骤S1包括如下子步骤：S11：将微表情数据库进行空域和时域分割；随后通过人脸跟踪检测，针对空域部分通过FAC接口实现人脸定位、通过Dlib工具进行人脸配准、并对图像帧序列进行ROI裁剪；同时进行降噪处理；S12：对所有图像帧序列进行归一化处理，并对时域区间的时间标尺运用时域插值模型TIM进行标准化处理；通过归一化和标准化处理，将全部图像帧序列整合处理后再作为训练网络的输入；S13：进行TVL光流计算，获取到微表情的光流序列，以此作为网络的二次输入；对光流进行水平和垂直分量表示，光流向量表示形式为：K＝[m,n]
T
，其中m与n分别为水平和垂直光流分量，dv和dw表示沿着水平和垂直维度的像素渐变情况，dt为时域长度的跨度情况。3.根据权利要求1所述的时空域信息融合随机森林的微表情检测方法，其特征在于，所述步骤S2包括如下子步骤：S21：将每一个视频序列分解为子区域，并且按照金字塔式层级分解为不同尺寸；引入以视频序列帧为符号的三维像素矩阵的金字塔式表征，其中在空间向量中包括了金字塔式指征的指标水平；S22：通过二维子区域表征方式将三维矩阵降维为二维图像，通过抽取每一帧的第一行并给它打上二维标签，继而以此为标准对后续视频帧做二维化处理；S23：计算每一张二维图像的二维子区域LBP特征值，并且需要进行水平最终端点X和垂直最终端点Y的同步调节，表达式为以及其中，Height和Length分别表示视频序列帧的高度和宽度；S24：将每一个水平的二维子区域LBP直方图建立起联系，按照金字塔式水平决定LBP特征空间尺寸的优先级。4.根据权利要求3所述的时空域信息融合随机森林的微表情检测方法，其特征在于，所述步骤S23中，计算每一张二维图像的二维子区域LBP特征值的过程中设定领域像素每一次的单位跳转值和跳转半径单位值。5.根据权利要求1所述的时空域信息融合随机森林的微表情检测方法，其特征在于，所述步骤S3包括如下子步骤：
S31：对象参数初始化及参数定义，其中，S：改进增强后的源对象；I
S
：空域对象信息；I
T
：时域对象信息；H
S1
：空域对象一次融合处理；H
S2
：空域对象二次融合处理；H
T1
：时域对象一次融合处理；H
T2
：时域对象二次融合处理；M
f
：融合微表情信息帧；f：微表情信息帧；一次融合微表情信息帧M
fS1
、M
fT1
；二次融合微表情信息帧M
fS2
、M
fT2
；S＝I
S
∪I
T
H
S1
＝{M
fS1
,fS1...
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。