【技术实现步骤摘要】
基于面部表情动态感知的行为态度识别方法
[0001]本专利技术涉及人工智能
，具体为基于面部表情动态感知的行为态度识别方法。
技术介绍
[0002]人脸表情识别可以识别人类面部表情，例如惊讶、悲伤、高兴、愤怒等，且面部表情识别存在广泛潜在应用。表情是人类情绪的直观反应，表情识别一直是计算机视觉的重要研究课题之一。在过去几十年中，研究人员已经在各类表情识别问题中取得了重要的成果。一种是通过构建计算机视觉特征，寻找高效的表达形式描述表情并进行模型学习；另一种是针对表情本身的特点，寻找合适的学习算法进行模型的构建。近年来的研究，主要针对面部动作编码系统(Facialactioncodingsystem，FACS)提出的愤怒、厌恶、恐惧、高兴、悲伤、惊讶等6种表情进行编码，进而识别图片或视频中人脸的表情。目前主要技术如下：
[0003]1.基于LBP
‑
TOP的识别方法
[0004]使用一个68点的主观形状模型定位人脸的关键点。以得到的关键点为基础，使用局部加权平均算法计算每个序列第一帧中面部...
【技术保护点】
【技术特征摘要】
1.基于面部表情动态感知的行为态度识别方法，其特征在于，包括以下步骤：S1、面部图像预处理：通过表情图像脸部定位对人脸检测与定位，用于在图像中找到人脸的确切位置后，进行脸部裁剪，彻底排除其他干扰信息，并通过图像增强突出图像中的人脸；S2、建立面部时序特征演化模型；S3、依据面部动态时序特征的答题态度判别。2.根据权利要求1所述的基于面部表情动态感知的行为态度识别方法，其特征在于，在步骤S1中，所述图像增强通过分段线性变换可根据用户的需要对特征物体的灰度细节进行拉伸，将0～255的整个灰度值区间根据需要划分为若干线段后，对每一段线段都进行相对应的线性变换；所述线性变换公式如下：3.根据权利要求1所述的基于面部表情动态感知的行为态度识别方法，其特征在于，在步骤S1中，所述表情图像脸部定位中在对图像进行分段线性变换的基础上，采用灰度积分投影的方法来进行面部区域的定位，包括水平积分投影和垂直积分投影；设灰度图像的大小为M
×
N，f(x,y)为图像中点(x,y)处的灰度值；则其垂直积分投影为：水平积分投影为：对图像进行尺度归一化处理，以将图像处理成为统一的大小，并通过按比例进行图像缩放，将边界经过裁剪、尺寸归一化后得到脸部表情图像。4.根据权利要求1所述的基于面部表情动态感知的行为态度识别方法，其特征在于，在步骤S2中，所述建立面部时序特征演化模型包括以下内容：S20、面部时序数据：答题人员的面部时序数据是指答题人员在单位题量的作答时间内，面部区域内像素随时间变化的记录；S21、面部时序特征：所述面部时序数据是一个动态数据，包含了面部动态特征；S22、面部关键点坐标与位移：所述面部关键点是指能够标定遍布特征相对位置的关键像素的集合，关键点可以由人为标定，也可由机器学习的权重赋予；S23、面部关键点位移时间序列：所述面部关键点位移时间序列是单位题量作答时间内，一个人的面部关键点坐标位移随时间变化的序列，以离散的向量形式记录；利用如下公式定义所述面部关键点位移时间序列：x(0)＝[Δx(t1),Δx(t2),
···
,Δx(t
n
)] (4)；其中，x(0)表示同一个关键点像素在n个时刻上的原始位移向量序列，元素Δx(t
i
)表示该像素在时刻的位移方向；
S24、面部关键点位移的随机演化：答题者对测试的态度分为积极和消极两种，利用这种偏差对所述x(0)施加扰动，使得演化后的位移序列与原序列存在一定差异，并影响一段的时间；S25、面部关键点位移初始分布：所述面部关键点位移初始分布的定义如下：φ(t0)＝[φ1,φ2,
···
,φ
N
] (5)；其中，向量φ表示面部关键点位移初始位移分布，记录面部关键点在初始时刻t0，所处各个标记位置的概率，内部分量表示面部关键点处在...
【专利技术属性】
技术研发人员：余伟，余放，李宇轩，李石君，杨弋，卢可，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
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。