[发明专利]人脸微表情的识别方法

说明书

技术领域

本发明的技术方案涉及应用电子设备进行识别图形的方法，具体地说是人脸微表情的识别方法。

背景技术

微表情是人类内在的情感信息加工过程，它无法伪造，不受意识控制，是识别谎言的有效线索，可以被广泛的应用于安全、司法、临床等领域。但微表情持续时间短且难以识别。即使是受过良好训练的人，进行微表情识别时，准确率仅在40％左右。因此，研发微表情识别系统，实现计算机自动识别微表情，对微表情的机理研究和实际应用都是非常必要的。

目前，国内外很多团队都在开展微表情研究。Ekman和Friesen于1969首次发现微表情的重要性，并且一直是微表情研究的主要力量之一，但他们的大部分研究工作成果至今并未见到公开发表。日本筑波大学Polikovsky团队使用3D梯度直方图方法进行微表情的检测识别，对200fps的视频序列进行处理,首先将人脸表情按照特定区域进行分块，然后在每一个区域提取3D直方图特征描述运动方向，在检测到微表情之后，根据一些给定的规则诸如FACS编码进行分类，该方法使用的数据库是研究人员自己构建的，参与人员被要求以尽可能低的表情强度、尽可能快的速度做出面部表情，论文并没有给出最终的识别率，该方法的人脸跟踪效果不好，没有足够的测试集进行测试，分类算法无法适应复杂的人脸变化。美国南佛罗里达大学Shreveport团队把光流法用于微表情研究，该方法使用应变模式处理连续的、不断变化的长视频。对面部表情的自动分割，通过对面部划分成的8个兴趣区域计算得到的光学应力与训练等得到的某一阈值进行比较，实现了对表情和微表情的分割。虽然该方法对光照不均匀和大量移动问题是鲁棒性的，但较为依赖于面部皮肤中形变的大小。芬兰奥卢大学的赵国英团队使用时间差值模型和LBP-TOP算法提取微表情序列的特征，通过提取序列图像或视频在时域和空域方向上的动态LBP纹理特征进行微表情的识别，算法测试库样本量相对较小，识别率较低。CN 103258204A公开了一种基于Gabor和EOH特征的自动微表情识别方法，使用Gabor和EOH特征进行微表情特征提取，但Gabor和EOH表征全局的能力较弱，且需要结合改进后的GentleSVM分类器才能进行微表情的分类识别，所需的硬件设备性能要求较高，而识别性能低于人们的期望。总之，现有人脸微表情的识别方法存在对人脸微表情图像的亮点、边缘和白色噪声微小特征较为敏感，因而识别性能低的缺陷。

发明内容

本发明所要解决的技术问题是：提供人脸微表情的识别方法，是在对人脸微表情图像序列预处理完成之后，使用Birnbaum-Saunders分布曲线建立回归模型，再使用CBP-TOP算法提取人脸微表情序列的动态时空纹理特征，最后使用分类器进行训练和预测，该方法克服了现有人脸微表情的识别方法对人脸微表情图像的亮点、边缘和白色噪声这些微小特征较为敏感，因而识别性能低的缺陷。

上述CBP-TOP是Centralized Binary Patterns from Three Orthogonal Panels的缩写。

本发明解决该技术问题所采用的技术方案是：人脸微表情的识别方法，是一种使用CBP-TOP算法提取微表情序列的动态时空纹理特征的人脸微表情的识别方法，具体步骤如下：

第一步，人脸微表情图像预处理：

使用Adaboost算法检测微表情图像中的人脸，并进行裁剪，采用双线性差值算法实现图像的尺寸归一化，经过人脸微表情图像预处理后的人脸微表情图像大小为180×180像素；

第二步，人脸微表情检测：

使用Birnbaum-Saunders分布曲线建立回归模型，用于标记人脸微表情图像序列，其中包括人脸微表情出现的开始帧Apex1，持续时间和结束帧Apex2，由此完成人脸微表情检测；

第三步，使用CBP-TOP算法提取人脸微表情序列的动态时空纹理特征：

利用CBP-TOP算法对第二步标记完成的人脸微表情图像序列进行分块时空域纹理特征的提取，将第二步得到的有效描述人脸微表情序列的8帧图像分成16×16个非重叠的块，在每一子块上提取CBP-TOP特征，并对该子块进行CBP-TOP特征的直方图统计，最后将所有子块的特征直方图串联成整个人脸微表情序列的特征直方图，由此提取人脸微表情序列的动态时空纹理特征，即获取人脸微表情序列在XY平面的形变信息，以及在XT平面和YT平面的运动信息，所述CBP-TOP特征是图像本身存在的纹理特征，提取过程是通过CBP码计算得到的；

第四步，使用ELM分类器进行训练和预测：