【技术实现步骤摘要】
一种自发微表情识别方法
本专利技术涉及自发微表情识别领域,尤其涉及一种自发微表情识别方法。
技术介绍
微表情是一种自发地、不受个体意识所控制的面部微弱反应,其往往发生在有压力的或者高风险的环境下,伴随着个体尝试压制或者隐藏其真实情感时产生。与常规表情不同,微表情运动强度极弱、持续时间极短(低于500ms),不易被察觉,但微表情不可伪造,是人心理情感变化在面部的真实反应,所以微表情识别可用于非接触无感知的欺骗检测和情感分析,在司法审讯、抑郁症治疗、商业洽谈、国家安全等方面都有广泛的应用。早期的微表情识别分析主要在心理学领域展开,通常依靠繁杂的人工分析以及通过一些专业的培训工具来训练人来识别微表情,这种依靠人力的方法不仅受限于专业培训和时间成本,而且识别准确率很低,据相关文献报到只有47%的识别准确率。因此利用机器进行自动微表情分析越来越成为主流,近年来,在计算机视觉和情感计算领域,也出现了许多的基于传统机器学习以及先进深度学习的微表情识别工作。基于传统机器学习的微表情识别方法主要包括两步:首先设计特定的视觉特征描述算子提取微表情特征,如LBP-TOP,3DHOG等,然后利用各种分类器,包括:SVM,随机树森林等进行分类识别。这类方法最大的问题就是需要依赖先验知识和启发式的特征工程,从而限定了其使用场景。相比于基于传统机器学习的微表情识别方法,利用深度学习进行微表情识别最大的优势就是充分整合了微表情特征提取和分类识别过程,并且能提取更高层次的微表情特征,目前研究者们也提出了各种基于卷积神经网络的微 ...
【技术保护点】
1.一种自发微表情识别方法,其特征在于,包括:/n构建孪生三维卷积神经网络,对其进行两阶段的训练:第一阶段训练为先验学习阶段,孪生三维卷积神经网络的输入为预处理后的原始数据集通过类别标签异同划分得到的若干微表情样本对,通过孪生三维卷积神经网络来判断微表情样本对是否为同类的微表情,从而反向更新孪生三维卷积神经网络的参数;第二阶段训练为目标学习阶段,孪生三维卷积神经网络的输入为预处理后的原始数据集,通过第一阶段训练后的孪生三维卷积神经网络对输入微表情样本进行分类,固定孪生三维卷积神经网络前端特征提取层中靠前的若干卷积单元的参数,更新特征提取层其余卷积单元以及末端推理层的参数;其中,预处理后的原始数据集中的每一微表情样本均为用于描述自发微表情的光流图像帧序列;/n之后,通过训练得到的孪生三维卷积神经网络对待识别的微表情样本进行分类。/n
【技术特征摘要】
1.一种自发微表情识别方法,其特征在于,包括:
构建孪生三维卷积神经网络,对其进行两阶段的训练:第一阶段训练为先验学习阶段,孪生三维卷积神经网络的输入为预处理后的原始数据集通过类别标签异同划分得到的若干微表情样本对,通过孪生三维卷积神经网络来判断微表情样本对是否为同类的微表情,从而反向更新孪生三维卷积神经网络的参数;第二阶段训练为目标学习阶段,孪生三维卷积神经网络的输入为预处理后的原始数据集,通过第一阶段训练后的孪生三维卷积神经网络对输入微表情样本进行分类,固定孪生三维卷积神经网络前端特征提取层中靠前的若干卷积单元的参数,更新特征提取层其余卷积单元以及末端推理层的参数;其中,预处理后的原始数据集中的每一微表情样本均为用于描述自发微表情的光流图像帧序列;
之后,通过训练得到的孪生三维卷积神经网络对待识别的微表情样本进行分类。
2.根据权利要求1所述的一种自发微表情识别方法,其特征在于,所述孪生三维卷积神经网络包括两个结构完全相同的子网络,两个子网络的参数是完全共享的;每一个子网络包括:前端的特征提取层、以及末端的推理层;
第一阶段训练中,微表情样本对中的微表情样本各自输入至一个子网络;第二阶段训练中,任选一个子网络进行训练;最终保留第二阶段训练后的子网络对待识别的微表情样本进行分类。
3.根据权利要求2所述的一种自发微表情识别方法,其特征在于,
所述特征提取层包括多个卷积单元,每一卷积单元包含依次设置的三维卷积层与最大池化层;
所述推理层包括:依次设置的拉伸层、全连接层、相似度度量层和分类输出层;分类输出层包含了Sigmoid与Softmax两类激活函数,分别用于第一阶段训练的输出与第二阶段训练的输出,两个子网络共用同一个相似度度量层和分类输出层。
4.根据权利要求1所述的一种自发微表情识别方法,其特征在于,第一阶段训练时,将单次输入的微表情样本对记为[I1,I2],经过特征提取层后,将微表情样本对的特征向量[F1,F2],通过推理层度量两个特征向量的L1距离并映射到[0,1]空间,得到微表情样本对是否为同一类微表情的概率P(I1,I2):
其中,D是特征向量F1和F2的维度,F1=[f11,f12,...,f1D],F2=[f21,f22,...,f2D];
根据概率P(I1,I2)与微表情样本对是否为同类的真实标签,利用神经网络反向传播算法更新孪生三维卷积神经网络的参数。
5.根据权利要求3所述的一种自发微表情识别方法,其特征在于,第二阶段训练时,对于输入微表情样本,通过孪生三维卷积神经网络预测其属于第k类的概率:
...
【专利技术属性】
技术研发人员:陈恩红,徐童,赵思蕊,冷文昊,李弘毅,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:安徽;34
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。