[发明专利]一种基于峰值帧和深度森林的微表情识别方法

说明书

本发明公开了一种基于峰值帧和深度森林的微表情识别方法；主要涉及微表情峰值帧定位和使用峰值帧训练深度森林模型来进行微表情识别；该方法包括微表情样本预处理、通过计算频率来确定峰值帧、使用VGG‑Face网络进行特征提取、对深度森林模型进行微表情分类训练和测试；本发明定位微表情峰值帧作为训练集，可以有效避免面部动作强度过低的微表情一般帧带来的冗余；微表情峰值帧数据样本规模小，结合深度森林在少量数据样本的情况下也有优异表现的特点，选择训练深度森林模型来识别微表情，提高了准确率和效率。

技术领域

本发明涉及到深度学习和模式识别领域，具体是一种基于峰值帧和深度森林的微表情识别方法。

背景技术

微表情表达了人试图掩盖与隐藏的真实情感，是一组时间连续的图像序列，持续周期一般在250ms～500ms之间，对微表情的研究能帮助揭露特定场景下人的心理变化，例如揭露犯人谎言，评估人的内心情绪状态，进而促进犯罪学、心理学等方面的发展。

目前微表情识别研究方法主要集中在传统的机器学习领域和深度神经网络；传统的机器学习方法识别率普遍不高而不能达到实际的应用要求；深度神经网络在训练时需要大量的训练数据，也因此让深度神经网络无法被用于小规模数据任务，但是目前用于微表情研究的数据集样本数量匮乏；所以现有的技术需要一种能提高微表情识别准确率和效率的一种基于峰值帧和深度森林的微表情识别方法。

发明内容

本发明的目的在于提供一种基于峰值帧和深度森林的微表情识别方法，以解决上述背景技术中所提到的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于峰值帧和深度森林的微表情识别方法，其特征在于：包括以下步骤：

步骤S1：微表情样本预处理；

步骤S2：峰值帧定位及处理；

步骤S3：深度森林模型训练；

步骤S4：微表情识别。

作为本发明进一步的方案：所述步骤S1包括：

①微表情序列中的每一帧均由RGB图像转化为灰度图像；

②每一帧灰度图像转化为二维矩阵；

③将同一组微表情序列中的所有二维矩阵按顺序连接为一个三维矩阵。

作为本发明进一步的方案：所述步骤S2包括：

①在每一个三维矩阵中，用N来控制滑动窗口的长度，以每帧的前后-N/2到N/2为一个区间，计算每一个区间的频率；

②选取频率最高的区间，此区间的中间帧即为峰值帧；

③将峰值帧作为训练集，将其他帧即一般帧作为测试集；

④记录所有表情序列中的峰值帧序号，之后从微表情序列中提取对应的峰值帧，把峰值帧集合作为训练集，其余的微表情一般帧集合作为测试集。

作为本发明进一步的方案：所述步骤S3包括：

①使用VGG-Face网络对训练集和测试集进行特征提取；

②将提取的训练集特征和微表情类别标签输入到深度森林模型中，结合训练结果选择最优超参数，其中深度森林模型只有级联森林结构，每层包括两个完全随机森林和两个普通随机森林，具体方法为：

a.数据输入每一层深度森林后，根据数据的特征和类别标签生成新的类别标签；

b.每一个随机森林都会输出一个类向量，表示该样本为每个类别标签的概率；

c.除第一层森林外，每层的森林都把上一层的输出结果，结合原始的输入数据作为当前层的输入；