[发明专利]一种基于光流和Fisher Vector编码的微表情识别方法

说明书

公开了一种基于光流和Fisher Vector编码的微表情识别方法，包括：对测试样本中的微表情图像序列进行HOF特征提取，获取第一特征数据X＝{x₁,…x_r,…x_R|x_r∈R^D}；对第一特征数据X进行Fisher Vector编码，获取第二特征数据F；基于预先训练得到的分类器对第二特征数据F进行识别。本发明通过使用光流特征描述微表情的微弱运动，并使用Fisher Vector对光流特征进行编码，进一步提取了期望信息和方差信息，因此能更加充分地表示微表情特征，降低了局部噪声的影响，提高了微表情特征的鲁棒性，进而提高了微表情识别的识别率。

技术领域

本发明涉及机器学习和模式识别技术领域，尤其涉及一种基于光流和FisherVector编码的微表情识别方法。

背景技术

人类的面部表情研究起源于19世纪。最近，国外学者Ekman和Erika进行了面部测绘行为的研究，验证了微表情(micro expression)可提供更全面的隐蔽情感信息。与宏观表情不同，微表情是一种持续时间段、强度小的快速表情。虽然持续时间短，但是微表情更能揭露人内心的真实情感，为判断人的内在精神状态提供可靠的依据，因此其在司法系统、临床诊断等方面有着重要应用。

在国外，微表情的研究起步较早，不仅提出、定义了微表情，而且已将微表情的研究成果应用于司法机关诊断案情、商业谈判、心理咨询等领域。在国内，微表情的研究起步较晚。傅小兰教授主持的2011－2013年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”，推动了国内对于微表情研究的发展。

然而，现有的微表情识别方法存在鲁棒性差、容易受噪声干扰、识别率低等问题。鉴于此，亟需一种新的微表情识别方法，以降低局部噪声的影响，提高微表情特征的鲁棒性和微表情识别的识别率。

发明内容

本发明的目的在于提出一种新的微表情识别方法，以能更加充分地表示微表情特征，降低了局部噪声的影响，提高了微表情特征的鲁棒性，进而提高了微表情识别的识别率。

本发明提供了一种基于光流和Fisher Vector编码的微表情识别方法，包括：步骤S1、对测试样本中的微表情图像序列进行HOF特征提取，获取第一特征数据X＝{x₁,…x_r,…x_R|x_r∈R^D}；步骤S2、对第一特征数据X进行Fisher Vector编码，获取第二特征数据F；步骤S3、基于预先训练得到的分类器对第二特征数据F进行识别。

优选的，步骤S1包括：S11、计算微表情图像序列中相邻两帧图像之间的光流；S12、进行光流对齐；S13、将微表情图像序列划分成R个时空子块，并且对每个时空子块的光流方向进行加权统计，获取第一特征数据X＝{x₁,…x_r,…x_R|x_r∈R^D}，其中，为第r个时空子块的光流方向加权直方图向量。

优选的，步骤S2包括：S21、利用高斯混合模型逼近第一特征数据X的分布；

式中，p_k(x_r|λ)是第k个高斯分布的概率密度函数，p(x_r|λ)是第一特征数据X中的向量x_r的分布；