[发明专利]基于差分切片能量图和Gabor变换的微表情识别方法

说明书

技术领域

本发明涉及一种基于差分切片能量图和Gabor变换的微表情识别方法，属于计算机应用中机器学习和模式识别的技术领域。

技术背景

微表情是在人们在试图压抑、隐藏真实情感过程中所表现出来的一种快速、不易察觉的面部表情，它的持续时间一般仅为1/25至1/5秒，也有研究者将微表情持续时间定义为低于1/2s，经常被人们所忽略。但是，Ekman等人的面部测绘行为研究证实，微表情将人的隐蔽情感更全面的暴露出来，它更能表达人的真实情绪。近些年，心理诊断发展及国防安全建设过程中，微表情作为一种谎言以及暴力倾向侦测手段，在临床司法、安全领域等展现出了广泛的应用前景。

早期研究中，研究者主要注重个体微表情的匹配，例如：日本人与高加索人短暂表情识别测验（Japanese and Caucasian Brief Affect Recognition Test，JACBART）以及Ekman等开发的微表情识别训练工具（Micro Expression Training Tool，METT）等。在国外，微表情在商业谈判，心理咨询，临床司法诊断等领域逐渐得到应用。在国内，微表情研究处于初期阶段，认知心理学教授傅小兰主持了国家自然科学基金面上项目“面向自动谎言识别的微表情表达研究”（批准号：61075042），她的团队是国内开展微表情研究的主要力量。在微表情识别方面，傅小兰团队研发了基于静态特征和自动微表情识别识别系统，使用Gabor变换提取人脸图像特征，并结合改进的GentleSVM算法实现人脸表情识别。2013年，梁静等人指出认知心理学和计算机视觉技术两个领域进行协作，必将促进微表情识别技术研究的快速发展以及相关成果的广泛应用。傅小兰团队建立了国内首个微表情实验库（CASME），颜文靖等人在评价CASME库时，将微表情序列作为张量数据进行处理，使用多线性主成分分析（Multilinear Principal Component Analysis,MPCA）进行不同维数下识别率的测试。2013年，王甦菁等人提出了一种基于判别张量分析（Discriminant Tensor Subspace Analysis,DTSA）和极端学习机（Extreme Learning Machine,ELM）的微表情识别方法。DTSA将微表情序列在三阶张量空间进行操作，为保持数据的流形结构引入了Laplacian算子，且该算法不需要调谐因子。但是，该方法对计算机硬件设备性能的要求较高，降维后保留的维数难以确定，且它的识别性能远远低于人们的期望。

发明内容

针对现有技术的不足，本发明提出一种基于差分切片能量图和Gabor变换的微表情识别方法，并且使用线性判别分析（LDA）算法进行特征提取，结合SVM分类器进行分类，识别率有了显著的提高，远远高于现有的微表情识别方法。而且，本发明所提出的方法计算量小，大大降低了对计算机性能的要求，是一种准确性高、鲁棒性强的微表情识别方法。

该方法建立在已经发生微表情的基础上，其目的在于降低对计算机性能的要求，并且大幅度提高识别性能。这是因为，在构造差分切片能量图过程中，通过微表情序列中各帧之间的能量变化体现微表情的发生过程，大大削弱了不同个体的人脸特点对微表情的覆盖作用，同时该方法采用Gabor变换方法提取特征，并用LDA进一步进行降维，结合SVM分类器大大提高了分类效果。

本发明是通过如下技术方案来实现的：

基于差分切片能量图和Gabor变换的微表情识别方法，包括如下步骤：构造微表情序列差分切片能量图、差分切片能量图的特征提取和分类识别。

构造微表情序列差分切片能量图的方法为：首先，计算一个完整微表情序列中包含表情细微变化区域的微表情帧形成差分切片，然后将微表情差分切片叠加生成差分切片能量图。差分切片能量图的特征提取的方法为：首先将差分切片能量图进行Gabor变换的特征提取，提取后的特征再下采样，再使用LDA作进一步特征提取。分类识别是采用SVM分类器，首先根据微表情训练数据训练出一个模型，然后根据该模型对微表情测试样本进行预测分类。

1、构造微表情序列差分切片能量图（Micro-expression Difference Slice Energy Image，MDSEI）

所述微表情序列差分切片是指一个微表情序列中相邻两帧作差所形成的帧。