【技术实现步骤摘要】
基于神经网络敏感性分析的微表情识别方法
本专利技术属于计算机图像处理
,涉及一种基于神经网络敏感性分析的微表情识别方法。
技术介绍
微表情是人类面部肌肉的细微而短暂的动作,当一个人试图隐藏他或她的真实情绪时,这些微表情会不由自主地发生。与传统的宏表情相比,微表情识别在刑事审讯、国土安全和心理治疗等领域存在着巨大的潜力。因此,近年来科研人员对微表情的研究兴趣迅速增加。然而,无论是人工识别微表情还是自动识别微表情,微表情低强度和短持续时间的特性仍然是微表情识别面临的主要挑战。在当前的机器学习方法中,视频中微表情判别方法多基于连续帧的微表情,根据其变化幅度提取相应特征并进行判别,比如光流法和局部二值模式法。其中,光流法通过检测帧与帧之间像素的变化来测量亮度的变化,进而对微表情进行辨别。使用神经网络对微表情进行判别的过程中,在每一层都会提取到不同层次的人脸特征。然而,在之前的基于深度学习的微表情识别方法中,很少有将低层次的有效特征和高层次的特征进行结合并进行综合判别。
技术实现思路
本专利技术针对现有技术的不足,提供了一种基于神经网络敏感性分析的微表情识别方法,该方法在微表情识别应用上具有高精度的特点。本专利技术具体是:步骤S1:设计一个常规的包含9层卷积层以及1层全连接层(FC1)和1层logit层(全连接层FC2)的卷积神经网络结构(详见表1)。表1步骤S1中基础网络结构及参数设置阶段层输入格 ...
【技术保护点】
1.基于神经网络敏感性分析的微表情识别方法,其特征在于该方法具体是:/n步骤S1:设计一个常规无分支的卷积神经网络结构,包含卷积层、全连接层和logit层;/n步骤S2:选择ImageNet数据库中的前200类事物在步骤S1中的卷积神经网络进行训练,得到网络模型;/n步骤S3:选择宏表情数据集CK+对由步骤S2得到的网络模型进行迁移学习,并得到相应的网络模型;/n步骤S4:使用神经网络敏感性分析工具对步骤S3得到的网络模型每一层进行敏感性测试;/n步骤S5:根据步骤S4中得到的敏感性测试结果,对步骤S3中的神经网络进行修改,具体是:将对人脸感兴趣区域敏感性评分最高的层的输出结果分流到一个新的分支中;该分支包含一层卷积层以及一层全连接层;并将该分支的全连接层与原网络结构的全连接层进行拼接,在其后添加一个分类器;即将神经网络浅层的低级特征与深层的高级特征进行融合,联合判别微表情;这个添加了分支的网络结构即为最终的神经网络结构;/n步骤S6:根据步骤S5中得到的最终神经网络结构在微表情数据库上进行迁移学习,得到最终的网络模型。/n
【技术特征摘要】
1.基于神经网络敏感性分析的微表情识别方法,其特征在于该方法具体是:
步骤S1:设计一个常规无分支的卷积神经网络结构,包含卷积层、全连接层和logit层;
步骤S2:选择ImageNet数据库中的前200类事物在步骤S1中的卷积神经网络进行训练,得到网络模型;
步骤S3:选择宏表情数据集CK+对由步骤S2得到的网络模型进行迁移学习,并得到相应的网络模型;
步骤S4:使用神经网络敏感性分析工具对步骤S3得到的网络模型每一层进行敏感性测试;
步骤S5:根据步骤S4中得到的敏感性测试结果,对步骤S3中的神经网络进行修改,具体是:将对人脸感兴趣区域敏感性评分最高的层的输出结果分流到一个新的分支中;该分支包含一层卷积层以及一层全连接层;并将该分支的全连接层与原网络结构的全连接层进行拼接,在其后添加一个分类器;即将神经网络浅层的低级特征与深层的高级特征进行融合,联合判别微表情;这个添加了分支的网络结构即为最终的神经网络结构;
步骤S6:根据步骤S5中得到的最终神经网络结构在微表情数据库上进行迁移学习,得到最终的网络模型。
2.根据权利要求1所述的基于神经网络敏感性分析的微表情识别方法,其特征在于:在步骤S3中的迁移学习时,冻结步骤S2得到的网络模型前...
【专利技术属性】
技术研发人员:付晓峰,胡卓群,付晓鹃,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
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。