[发明专利]一种自发微表情识别方法

说明书

本发明公开了一种自发微表情识别方法，通过将微表情的特征学习过程分解成先验学习和目标学习两个阶段，并设计与之对应的孪生三维卷积神经网络模型，可以充分的让网络模型在小样本的微表情数据集上得到充分的训练，从而大幅度的提高深度模型的泛化能力，并最终提升网络模型的识别效果。

技术领域

本发明涉及自发微表情识别领域，尤其涉及一种自发微表情识别方法。

背景技术

微表情是一种自发地、不受个体意识所控制的面部微弱反应，其往往发生在有压力的或者高风险的环境下，伴随着个体尝试压制或者隐藏其真实情感时产生。与常规表情不同，微表情运动强度极弱、持续时间极短(低于500ms)，不易被察觉，但微表情不可伪造，是人心理情感变化在面部的真实反应，所以微表情识别可用于非接触无感知的欺骗检测和情感分析，在司法审讯、抑郁症治疗、商业洽谈、国家安全等方面都有广泛的应用。

早期的微表情识别分析主要在心理学领域展开，通常依靠繁杂的人工分析以及通过一些专业的培训工具来训练人来识别微表情，这种依靠人力的方法不仅受限于专业培训和时间成本，而且识别准确率很低，据相关文献报到只有47％的识别准确率。因此利用机器进行自动微表情分析越来越成为主流，近年来，在计算机视觉和情感计算领域，也出现了许多的基于传统机器学习以及先进深度学习的微表情识别工作。

基于传统机器学习的微表情识别方法主要包括两步：首先设计特定的视觉特征描述算子提取微表情特征，如LBP-TOP，3DHOG等，然后利用各种分类器，包括：SVM，随机树森林等进行分类识别。这类方法最大的问题就是需要依赖先验知识和启发式的特征工程，从而限定了其使用场景。

相比于基于传统机器学习的微表情识别方法，利用深度学习进行微表情识别最大的优势就是充分整合了微表情特征提取和分类识别过程，并且能提取更高层次的微表情特征，目前研究者们也提出了各种基于卷积神经网络的微表情识别模型，在识别性能上也取得了一定的突破，然而，深度学习方法是一种数据驱动型的方法，往往需要依赖大规模的数据样本进行训练，在现有的小规模微表情数据集上表现也不如人意，往往面临严重的过拟合问题，此外更糟的是，现有微表情数据存在严重的类样本不均衡问题，这也让深度神经网络模型更难训练，所以利用深度学习进行微表情识别仍然具有很大的挑战。

发明内容

本发明的目的是提供一种自发微表情识别方法，能够有效的提升自发微表情识别的准确率。

本发明的目的是通过以下技术方案实现的：

一种自发微表情识别方法，包括：

构建孪生三维卷积神经网络，对其进行两阶段的训练：第一阶段训练为先验学习阶段，孪生三维卷积神经网络的输入为预处理后的原始数据集通过类别标签异同划分得到的若干微表情样本对，通过孪生三维卷积神经网络来判断微表情样本对是否为同类的微表情，从而反向更新孪生三维卷积神经网络的参数；第二阶段训练为目标学习阶段，孪生三维卷积神经网络的输入为预处理后的原始数据集，通过第一阶段训练后的孪生三维卷积神经网络对输入微表情样本进行分类，固定孪生三维卷积神经网络前端特征提取层中靠前的若干卷积单元的参数，更新特征提取层其余卷积单元以及末端推理层的参数；其中，预处理后的原始数据集中的每一微表情样本均为用于描述自发微表情的光流图像帧序列；

之后，通过训练得到的孪生三维卷积神经网络对待识别的微表情样本进行分类。

由上述本发明提供的技术方案可以看出，通过将微表情的特征学习过程分解成先验学习和目标学习两个阶段，并设计与之对应的孪生三维卷积神经网络模型，可以充分的让网络模型在小样本的微表情数据集上得到充分的训练，从而大幅度的提高深度模型的泛化能力，并最终提升网络模型的识别效果。

附图说明