[发明专利]一种基于宏表情知识迁移的微表情识别方法

权利要求书

1.一种基于宏表情知识迁移的微表情识别方法，其特征在于，包括步骤如下：

(1)对表情和微表情进行分块处理；

(2)对表情和微表情进行特征提取，提取LBP特征和光流特征；

(3)构建宏表情知识迁移的微表情识别模型，即对表情和微表情学习特定类的映射，将表情和微表情投影到多个公共判别子空间；对步骤(1)得到的27个分块分别构建宏表情知识迁移的微表情识别模型；包括步骤如下：

A、将宏表情样本为来自X域的样本集合，微表情样本为来自Y域的样本，宏表情知识迁移的微表情识别模型将来自两个域的样本(X,Y)分别通过映射从张量空间和映射到一个特定的公共子空间

n＝1,…,N，H_n是指宏表情第n维的特征维数，L_n是指微表情第n维的特征维数，F_n是指公共子空间第n维的特征维数，如式(Ⅱ)所示：

式(Ⅱ)中，R是指实数空间；

B、定义为第i类的第n模式的投影矩阵，N表示维度，U_in表示在n模式下X域样本中第i类样本的投影，V_in表示在n模式下Y域样本中第i类样本的投影，x_ij表示在X域中第i类第j个样本，y_ij表示在Y域中第i类第j个样本，将两个域的样本张量映射到一个共同的公共判别子空间，如式(Ⅲ)所示：

C、根据张量运算知识，将式(Ⅲ)按照张量的n-模式展开，得式(IV)、式(Ⅴ)：

式(IV)、式(Ⅴ)中，表示的是一个二维样本，

D、X域与Y域共有c类不同的样本，将c类样本组合成c组，第i组样本表示的是第i类样本和其他c-1类样本集合，按照此种方式，将c类样本集合看成是一个两类样本集合，对任意的第i组样本都求得一组最优的投影

(4)通过基于欧氏距离的最近邻分类器对所述微表情进行分类识别。

2.根据权利要求1所述的一种基于宏表情知识迁移的微表情识别方法，其特征在于，所述步骤(1)中，对表情和微表情进行以特征点为中心的分块处理；是指：选定与表情、微表情识别相关的27个像素点，以这27个像素点为中心取块，得到27个分块。

3.根据权利要求1所述的一种基于宏表情知识迁移的微表情识别方法，其特征在于，所述步骤(2)中，提取LBP特征的方法为：以每个像素点为中心点，划分一个3*3的方阵，将这个中心点x₀与其周围的8个像素点x_i进行比较，如果x_ix₀，则v(x_i)＝1，否则，v(x_i)＝0；其中，x_i是指像素值，v(x_i)是指像素值x_i的二进制映射，由此，得到一个八位二进制数,即得到中心像素点x₀的LBP值；

通过二进制公式(Ⅰ)对八位二进制数进行编码，形成局部二值模式：

式(Ⅰ)中，g_j代表的是第j个像素点的像素值，g_a代表的是中心点的像素值，是指中心点的像素值为g_a的LBP值。

4.根据权利要求1所述的一种基于宏表情知识迁移的微表情识别方法，其特征在于，所述步骤(2)中，提取光流特征的方法为：

t时刻的光流特征为一个两维向量：

分别是指在t时刻在x轴方向的速度和在y轴方向的速度。

5.根据权利要求4所述的一种基于宏表情知识迁移的微表情识别方法，其特征在于，所述步骤(3)的数学描述如下：

共同优化c组不同的n模式线性变换，如式(Ⅵ)所示：

式(Ⅵ)中，

x_ij表示的是X域第i类的第j个样本，y_ij表示的是Y域中第i类的第j个样本，c是类别数目，m_i表示的是第i类样本的总数，表示的是所有样本的数目,表示的是第i类的样本集合，U_in表示在n模式下X域样本中第i类样本的投影，V_in表示在n模式下Y域样本中第i类样本的投影，第i类的第n模式的投影矩阵为N表示维度，λ₁、λ₂、λ₃是平衡参数，W_i(p,q)表示的是第i类样本之间的相似性，W_i(p,q)的定义为：

如果或者W_i(p,q)＝1，否则，W_i(p,q)＝0；

表示的是异类样本之间的相似性，的定义为：

如果或者否则，

表示与张量样本x_ip同类的k₁个近邻张量样本构成的集合；表示与张量样本x_ip异类的k₂个近邻样本构成的集合。