【技术实现步骤摘要】
本专利技术涉及心理分析，更具体地说，本专利技术涉及一种基于微表情识别的心理分析方法。
技术介绍
1、心理学研究长期以来一直致力于揭示人类情绪和心理状态的表现方式，包括面部表情。微表情是指持续时间极短、难以察觉的面部表情变化，通常反映了个体内在真实的情感体验，与传统面部表情略有不同。
2、传统的面部表情识别技术存在一定局限性，而基于微表情的心理分析方法有望弥补这些不足。随着计算机视觉和模式识别技术的飞速发展，人工智能技术在面部表情识别领域取得了巨大进展。这为利用计算机视觉技术来自动识别和分析微表情提供了可能，成为基于微表情的心理分析方法研究的技术支撑。
技术实现思路
1、本专利技术针对现有技术中存在的技术问题，提供一种基于微表情识别的心理分析方法，通过构建情绪识别模型对拍摄者的情绪状态进行分类和预测，以解决上述
技术介绍
中提出的问题。
2、本专利技术解决上述技术问题的技术方案如下：一种基于微表情识别的心理分析方法，具体包括以下步骤：
3、步骤101、使用摄像设备对拍摄者进行视频拍摄，进行面部表情的数据采集，并将获取的面部表情视频数据进行预处理；
4、步骤102、利用计算机视觉技术对预处理后得到的视频数据进行分析，在其中检测出拍摄者面部的微表情；
5、步骤103、将视频中检测出的微表情进行帧序列分割，分割成以帧为单位的时间序列；
6、步骤104、基于微表情检测结果，通过构建情绪识别模型对拍摄者的情绪状态进行分类和预测
7、在一个优选地实施方式中，所述预处理，使用高斯滤波用于去除视频图像中的高频噪声，在滤波过程中，将像素值与其周围邻域内的像素值按照高斯权重进行加权平均，实现平滑和去噪的效果，具体计算公式如下：
8、
9、
10、其中，i(x,y)表示原始图像的像素值，iblur(x,y)表示经过高斯滤波后的像素值，g(i,j)是二维高斯核函数，k表示高斯核的大小，i和j表示高斯核的坐标，σ是高斯核的标准差。
11、在一个优选地实施方式中，所述利用计算机视觉技术对预处理后得到的视频数据进行分析，进一步包括以下步骤：
12、步骤a1、人脸检测：使用人脸检测算法检测视频中包含微表情的区域，利用haar级联分类器，进行人脸的快速检测；
13、步骤a2、关键点定位：在检测到人脸后，使用关键点定位算法定位人脸上的关键点，所述关键点包括眼睛、嘴巴、鼻子中的；
14、步骤a3、微表情检测：根据定位到的人脸上的关键点，进行微表情特征提取，在提取完微表情特征后，将其与支持向量机模型进行比较，以判断当前帧是否存在微表情。
15、在一个优选地实施方式中，所述人脸检测，利用haar级联分类器，进行人脸的快速检测，进一步包括以下步骤：
16、步骤201、定义积分图：设原始图像为i(x,y)，使用积分图像来存储图像中各个位置的累积和，具体计算公式如下：
17、
18、其中，s(x,y)是积分图像中的一个像素，i(x',y')是原始图像中的像素灰度值；
19、步骤202、计算haar特征值：具体计算公式如下：
20、
21、其中，a表示haar特征的面积，n表示haar特征中包含的矩形数量，ωi表示第i个矩形的权重，li和ri分别表示第i个矩形的左上角和右下角的位置；
22、步骤203、训练haar级联分类器：使用正样本和负样本进行训练，所述正样本是包含人脸的图像，所述负样本是不包含人脸的图像，进行人脸检测，并逐步增加分类器的复杂度，以提高检测的准确性。
23、在一个优选地实施方式中，所述关键点定位，在检测到人脸后，基于特征点的方法定位人脸上的关键点，进一步包括以下步骤：
24、步骤301、关键点坐标表示：设人脸上有n个关键点，每个关键点表示为一个二维坐标(a,b)，具体计算公式如下：
25、keypointi＝(ai,bi),i∈[1,n]
26、其中，(ai,bi)表示第i个关键点的二维坐标，keypointi表示关键点的位置；
27、步骤302、特征点提取：使用的特征点提取方法是尺度不变特征变换算法，在不同尺度和旋转角度下提取出关键点的特征描述子，提取得到的特征点表示为：
28、featurei＝(ai,bi,γi,di),i∈[1,m]
29、其中，featurei代表提取得到的特征点，表示为一个四维向量，γi是特征点所在尺度，用于描述特征点的大小，di是特征描述子，用于表征特征点周围区域的图像特征；
30、步骤303、关键点匹配：在提取出特征点后，将其与预设的关键点进行匹配，通过计算两组点之间的距离来实现，设特征点集合为s，预设的关键点集合为p，定义匹配函数具体计算公式如下：
31、match(s,p)＝(pi,sj)|dist(pi,sj)＜ε
32、其中，match(s,p)表示将提取得到的特征点集合s与预设的关键点集合p进行匹配，pi是预设的关键点集合中的一个关键点，sj是特征点集合中的一个特征点，dist(pi,sj)是两个点之间的欧式距离，ε是匹配阈值。
33、在一个优选地实施方式中，所述微表情特征提取，根据关键点的位置信息，在人脸区域内提取能够描述微表情的特征，通过计算每个像素点的局部二值模式值，得到一个表示图像局部纹理特征的局部二值模式图像，具体计算公式如下：
34、
35、其中，lbp表示局部二值模式，(xc,yc)是中心像素的坐标，gc是中心像素的灰度值，gn是周围8个像素的灰度值，s()是符号函数，当参数大于等于0时返回1，否则返回0。
36、在一个优选地实施方式中，所述支持向量机模型，在提取完微表情特征后，使用已标注的微表情数据集，通过机器学习算法训练一个分类器，以区分正常表情和微表情，在训练过程中，将lbp特征作为输入，将微表情和正常表情的标签作为输出进行训练，进一步包括以下步骤：
37、步骤401、对于包含z个样本的数据集，每个样本用lbp特征表示为qi，对应的标签为ri，其中ri属于{-1,+1}，-1表示正常表情，+1表示微表情，采用软间隔支持向量机找到一组参数η和δ，通过最小化参数η的范数，使得对于所有的i＝1,2,...,z满足如下不等式：
38、ri(η×qi+δ)≥1-ξi
39、其中，ξi是松弛变量，η和δ分别表示支持向量机的参数，qi表示样本的lbp特征，对应的标签为ri；
40、步骤402、通过最小化参数η的范数，使分类间隔最大化，具体计算公式如下：
41、
42、subjectto:ri(η×qi+δ)≥1-ξi,ξi≥0
43、其中，minimize表示最小化的目标函数，subjectto表示优化问本文档来自技高网...
【技术保护点】
1.一种基于微表情识别的心理分析方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于微表情识别的心理分析方法，其特征在于：所述步骤101中的预处理包括以下步骤：使用高斯滤波用于去除视频图像中的高频噪声，在滤波过程中，将像素值与其周围邻域内的像素值按照高斯权重进行加权平均，具体计算公式如下：
3.根据权利要求2所述的一种基于微表情识别的心理分析方法，其特征在于，所述利用计算机视觉技术对预处理后得到的视频数据进行分析包括以下步骤：
4.根据权利要求3所述的一种基于微表情识别的心理分析方法，其特征在于，所述步骤A1包括以下步骤：
5.根据权利要求4所述的一种基于微表情识别的心理分析方法，其特征在于，所述步骤A2包括以下步骤：
6.根据权利要求5所述的一种基于微表情识别的心理分析方法，其特征在于，所述步骤A3中微表情特征提取包括以下步骤：根据关键点的位置信息，在人脸区域内提取能够描述微表情的特征，通过计算每个像素点的局部二值模式值，得到一个表示图像局部纹理特征的局部二值模式图像，具体计算公式如下：
8.根据权利要求7所述的一种基于微表情识别的心理分析方法，其特征在于，所述通过最小化参数η的范数，使分类间隔最大化，具体计算公式如下：
9.根据权利要求8所述的一种基于微表情识别的心理分析方法，其特征在于，所述帧序列分割，将视频中检测出的微表情分割成以帧为单位的时间序列，设视频数据为V＝{I1,I2,...,Ig}，其中Ig表示第g帧图像，进一步包括以下步骤：
10.根据权利要求9所述的一种基于微表情识别的心理分析方法，其特征在于，所述构建情绪识别模型，基于朴素贝叶斯，计算出不同情绪类别的后验概率，对拍摄者的情绪状态进行分类和预测，具体计算公式如下：
...【技术特征摘要】
1.一种基于微表情识别的心理分析方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于微表情识别的心理分析方法，其特征在于：所述步骤101中的预处理包括以下步骤：使用高斯滤波用于去除视频图像中的高频噪声，在滤波过程中，将像素值与其周围邻域内的像素值按照高斯权重进行加权平均，具体计算公式如下：
3.根据权利要求2所述的一种基于微表情识别的心理分析方法，其特征在于，所述利用计算机视觉技术对预处理后得到的视频数据进行分析包括以下步骤：
4.根据权利要求3所述的一种基于微表情识别的心理分析方法，其特征在于，所述步骤a1包括以下步骤：
5.根据权利要求4所述的一种基于微表情识别的心理分析方法，其特征在于，所述步骤a2包括以下步骤：
6.根据权利要求5所述的一种基于微表情识别的心理分析方法，其特征在于，所述步骤a3中微表情特征提取包括以下步骤：根据关键点的位置信息，在人脸区域内提取能够描述微表情的特征，通过计算每个像素点的局部二值模式值，得到一个表示图像局部纹理特征的局部二值模式图像，具体计算公式如下：
7.根据权利要求6所述的一种基于微表情识别的心理分析方法，其特征...
【专利技术属性】
技术研发人员：李清华，
申请(专利权)人：广东瀛泰科技有限公司，
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。