【技术实现步骤摘要】
一种基于局部多样性驱动深度网络的面部微表情识别方法
[0001]本专利技术属于情感识别
技术介绍
[0002]区别于面部宏表情,面部微表情是一种自发的肌肉运动幅度小、动作持续时间短(一般标准为少于500ms)、局部肌肉动作的面部表情动作。面部微表情是人们对面部表情有意识或无意识抑制的结果,是人们真实情绪的泄露。当人们试图隐藏情绪时,无法控制的微表情会揭露人们的真实情感。由于微表情的客观性,因此微表情的识别对心理和临床诊断、讯问和公共安全等领域具有广泛的应用。
[0003]与宏表情识别相似,微表情识别可以分为图像预处理、特征提取和表情分类识别。对微表情识别的有效性影响最大的是从图像序列中提取相关特征。传统方法基于手工特征如光流,使用支持向量机和随机森林等传统分类模型,根据提取的运动属性进行面部微表情识别。
[0004]近期,很多研究提出了定制的深度神经网络(DNN),以学习的方式提取微表情相关特征。一些研究人员从受试者的面部图像中提取特征,尤其是峰值帧。然而,即使是微表情序列的峰值帧也运动强度低的问题。因此,一些研究人员将计算出的运动属性输入DNN,以挖掘微表情相关特征。与峰值帧相比,这些运动属性对微弱肌肉运动更敏感。因此,从运动属性自动提取的特征更适合用来识别微表情。尽管研究人员成功地将运动属性输入到定制的DNN中,但仍存在一些问题。首先,因为微表情数据的收集过程非常昂贵,所以所有的微表情数据库规模都很小。因此,即使使用随机裁剪或翻转输入图像进行数据增强,DNN也很容易过拟合。此外,严格意义 ...
【技术保护点】
【技术特征摘要】
1.一种基于局部多样性驱动深度网络的面部微表情识别方法,其特征在于,该方法具体包括如下步骤:步骤1:对样本数据进行预处理,所述预处理包括:计算数据集中原始图像的原始表情流图像,对计算得到的原始表情流图像进行运动细节增强,最后对运动细节增强后的表情流图像进行扩充;步骤2:建立局部多样性的面部微表情识别网络,从扩充后的表情流图像中提取微表情相关的特征;步骤3:采用softmax分类器对步骤2中的特征进行分类。2.根据权利要求1所述的一种基于局部多样性驱动深度网络的面部微表情识别方法,其特征在于,所述步骤1中的预处理具体为:步骤1.1:将数据集中的原始图像的尺寸进行调整,然后提取微表情的起始帧与峰值帧之间的面部肌肉运动属性,得到微表情的起始帧和峰值帧之间的表情流:I
t
(x,y)=I
t+a
(x+u
t
(x,y)δt,y+v
t
(x,y)δt)其中,t表示起始帧,I
t
(x,y)表示起始帧中坐标为(x,y)的像素点的光强度,a表示起始帧与峰值帧之间的间隔时间,u
t
(x,y)和v
t
(x,y)分别表示表情流的水平和垂直分量,I
t+a
(x+u
t
(x,y)δt,y+v
t
(x,y)δt)表示峰值帧中坐标为(x+u
t
(x,y)δt,y+v
t
(x,y)δt)像素点的光强度;步骤1.2:基于u
t
(x,y)和v
t
(x,y)计算应变分量s:其中u=[u(x,y),v(x,y)]
T
,T表示转置,表示求导;根据u
t
(x,y),v
t
(x,y)和s得到原始表情流图像;步骤1.3:对数据集中的原始的起始帧与峰值帧进行下采样,并根据步骤1.1和步骤1.2计算下采样后的起始帧与峰值帧之间表情流图像;并将该表情流图像上采样到原始表情流图像的尺寸,得到与微表情无关的运动的模糊表情流图像;步骤1.4:将原始表情流图像按像素减去模糊表情流图像,得到与微表情相关的细节表情流图像;并将该细节表情流图像按像素加入到原始表情流图像中,得到运动细节增强的表情流图像;步骤1.5:调节运动细节增强的表情流图像的水平分量和垂直分量的权重,并计算相应的应变分量,从而对运动细节增强的表情流图像的数量进行扩充。3.根据权利要求1所述的一种基于局部多样性驱动深度网络的面部微表情识别方法,其特征在于,所述局部多样性的面部微表情识别网络包括第一~第五特征降采样模块,第一~第九特征增强模块,第一自适应池化层以及全连接层;所述第一特征降采样模块,第一特征增强模块,第二特征降采样模块,第二特征增强模块,第三特征增强模块,第三特征降采样模块,第四~第七特征增强模块,第四特征降采样模块,第八特征增强模块,第五特征降采样模块,第九特征增强模块,第一自适应池化层以及全连接层依次连接。4.根据权利要求3所述的一种基于局部多样性驱动深度网络的面部微表情识别方法,...
【专利技术属性】
技术研发人员:刘小峰,倪蓉蓉,李杰,周旭,蔡慧丽,
申请(专利权)人:河海大学,
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。