【技术实现步骤摘要】
一种微表情识别方法及系统
[0001]本专利技术涉及图像处理和人工智能
,具体涉及一种微表情识别方法系统。
技术介绍
[0002]微表情是人在经历强烈情绪时产生的快速、无意识的自发式面部动作,它是人在试图掩盖内在情绪时产生,既无法伪造也无法抑制,可以作为判断人主观情绪的重要依据。
[0003]微表情通常具有持续时间短、运动强度低等特点,一般持续1/25s到1/3s,并且动作幅度非常小,不会同时在上半脸和下半脸出现。
[0004]微表情具有很大的研究价值,在临床诊断、情绪智力、司法侦讯等领域有着重要应用,越来越多的研究者进入到这个领域对微表情进行研究。
[0005]传统手工特征提取主要依赖于手工设计的特征提取规则,得到的特征往往无法解释具体每一维的物理含义,需要专业知识和复杂的参数调整过程,同时泛化性能和鲁棒性较差。基于深度学习的方法存在参数量偏大、特征提取不充分等问题。
技术实现思路
[0006]专利技术目的:为了克服现有技术的不足,本专利技术提供一种微表情识别方法,该方法可以解决现有技术所存在的微表情样本不足、特征提取不充分的问题,本专利技术还提供一种微表情识别系统。
[0007]技术方案:一方面,本专利技术提供微表情识别方法,包括:
[0008](1)对微表情视频序列进行预处理,得到人脸图像集,并将所述人脸图像集划分为训练集和测试集;
[0009](2)搭建网络模型DA_DenseNet,所述网络模型DA_DenseNet采用DenseNet<
【技术保护点】
【技术特征摘要】
1.一种微表情识别方法,其特征在于,包括:(1)对微表情视频序列进行预处理,得到人脸图像集,并将所述人脸图像集划分为训练集和测试集;(2)搭建网络模型DA_DenseNet,所述网络模型DA_DenseNet采用DenseNet
‑
121作为骨干网络,并在DenseNet
‑
121的每一个Dense Block之后加入两个分支,一个分支是en
‑
scSE模块,第二个分支为Triplet Attention模块,对两个分支输出的特征图进行相乘融合;在每一个Transition Layer后加入Triplet Attention,在提取的特征最终进行分类之前,根据所分类的类数,加入特征细化模块;所述en
‑
scSE模块是通道级的注意力模块与通道压缩
‑
空间激励模块的并联模块,所述Triplet Attention模块为不同维度的交互处理模块;(3)采用训练集对所述网络模型DA_DenseNet进行训练,执行分类任务并生成分类模型;(4)采用测试集将训练好的网络模型DA_DenseNet进行测试。2.根据权利要求1所述的微表情识别方法,其特征在于,所述步骤(1)中,对微表情视频序列进行预处理,包括:(11)定位每个微表情视频序列的起始帧和顶点帧,并从定位到的起始帧和顶点帧中分割出人脸区域;并增加微表情顶点帧前后各两帧作为训练或者测试样本;(12)采用随机裁剪,直接将微表情视频序列裁剪出固定大小的微表情样本,对微表情样本进行随机旋转,并对微表情样本进行色彩抖动操作以进行数据增强。3.根据权利要求1所述的微表情识别方法,其特征在于,所述步骤(2)中,en
‑
scSE模块的结构包括:scSE是cSE模块和sSE模块的并联;cSE模块相当于通道级的注意力,其具体操作是将人脸图像U利用全局平均池化从[C,H,W]变为[C,1,1],再用两次1
×1×
1卷积运算,最终获得一个C维的向量,再利用sigmoid函数对其进行归一化,最后通过channel
‑
wise相乘得到输出特征。4.根据权利要求3所述的微表情识别方法,其特征在于,在所述channel
‑
wise之前增加了两个线性层并使用ReLu激活函数。5.根据权利要求3所述的微表情识别方法,其特征在于,所述sSE是通道压缩和空间激励模块,它沿着通道压缩人脸图像U并在空间上激发,人脸图像利用1
×1×
1的卷积,从[C,H,W]变为[1,H,W],使用sigmoid函数σ(
·
)激活,然后与原来的人脸图像进行相乘。6.根据权利要求5所述的微表情识别方法,其特征在于,所述sSE模块还包括一支全局平均池化操作,与原来的人脸图像相乘,空间内不重要的信息将会...
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。