[发明专利]基于双稀疏迁移学习的跨库微表情识别方法及装置

说明书

本发明公开了一种基于双稀疏迁移学习的跨库微表情识别方法及装置，方法包括：(1)获取不同的微表情训练数据库和测试数据库(2)将训练数据库和测试数据库中的微表情数据分别处理得到微表情的LBP‑TOP特征；(3)建立双稀疏迁移学习模型；(4)将训练数据库和测试数据库的微表情特征数据输入双稀疏迁移学习模型进行训练，训练时；(5)获取待识别的微表情数据LBP‑TOP特征，输入训练好的双稀疏迁移学习模型，输出情感类别。本发明准确率更高。

技术领域

本发明涉及情感识别技术，尤其涉及一种基于双稀疏迁移学习的跨库微表情识别方法及装置。

背景技术

人体面部微表情识别是当前人工智能以及情感计算领域的一个研究热点，应用前景广阔。传统的微表情识别往往在单个微表情数据库上进行训练与测试，而在实际生活与应用中，训练数据库与测试数据库的微表情数据往往有很大的差异，例如采集环境、采集设备等，故在不同微表情数据库上进行微表情识别更贴近于真实的生活与应用场景，这是一种跨库微表情识别问题。跨库微表情识别的难点在于提取合适的微表情特征并缩小训练数据库数据以及测试数据库数据的特征分布差异。

稀疏学习方法是一种有效提取与微表情识别相关的重要特征与面部区域的手段，其具有反馈与学习的功能，在微表情识别的领域中应用广泛。特征向量的均值差异是一种衡量不同域之间数据分布差异的有效方法，可以有效表示不同微表情数据库之间的特征分布差异。

发明内容

发明目的：本发明针对现有技术识别结果不够准确的问题，提供一种基于双稀疏迁移学习的跨库微表情识别方法及装置，识别结果更准确。

技术方案：本发明所述的基于双稀疏迁移学习的跨库微表情识别方法包括：

(1)获取两个不同的微表情数据库，分别作为训练数据库和测试数据库，其中，每个微表情数据库中包括有若干微表情数据和对应的情感类别标签；

(2)将训练数据库和测试数据库中的微表情数据分别进行预处理，得到每段微表情数据的LBP-TOP(Local Binary Pattern from Three Orthogonal Planes)特征；

(3)建立双稀疏迁移学习模型，所述双稀疏迁移学习模型包括一项投影向量均值项以及两项正则化稀疏项；

(4)将训练数据库和测试数据库中微表情数据的LBP-TOP特征和对应的情感类别标签分别输入建立的双稀疏迁移学习模型进行训练，其中，在训练模型时使用交替方向法进行训练，得到待学习参数的最优值C^*和β^*；

(5)将待识别微表情数据进行预处理，得到其LBP-TOP特征，并将LBP-TOP特征输入训练好的双稀疏迁移学习模型，输出识别的情感类别。

进一步的，步骤(2)中所述预处理包括：人脸检测，对齐，1*1、2*2、4*4、8*8的人脸多尺度网格划分和提取特征。

进一步的，步骤(3)中建立的所述双稀疏迁移学习模型具体为：

s.t.β≥0