[发明专利]一种基于多特征多任务字典稀疏迁移学习的微表情识别方法

摘要

本发明涉及一种基于多特征多任务字典稀疏迁移学习的微表情识别方法，包括训练阶段和测试阶段。本专利通过投影的方式将宏表情和微表情投影到公共空间内，并且为了简化计算，提高效率，对投影后的数据进行稀疏字典表示；为了进一步缩小两个域的数据差距，考虑将两个域的字典进行彼此之间的重构从而实现了字典的关联性，这样使得投影后的稀疏表示矩阵产生了更大的相关性；为了充分表现微表情的特点，本发明对微表情提取四种不同的特征，通过多特征选择最优组合；为了能凸显出微表情的细节表现，本发明引入多任务的思想，进一步提升了识别效果。

主权项

1.一种基于多特征多任务宏表情字典稀疏迁移学习的微表情识别方法，其特征在于，包括训练阶段、测试阶段；A、训练阶段，包括步骤如下：(1)对微表情域中每个图片平均分成若干分块；(2)对宏表情域和微表情域提取最具代表性的特征；对于宏表情域，提取的最具代表性的特征是LBP特征；对于微表情域中的每个分块，提取的最具代表性的特征包括光流特征、LBP‑TOP特征、VLBP特征、LOCP‑TOP特征；(3)对步骤(2)提取的特征进行降维；(4)对步骤(3)处理后的特征进行分组，将宏表情域中的特征均分为宏表情域测试集、宏表情域训练集，将微表情域中的特征均分为微表情域测试集、微表情域训练集；(5)将宏表情域训练集和微表情域训练集的数据投影到一个公共空间，在该公共空间中设定宏表情域的稀疏字典与微表情域的稀疏字典；将设定微表情域的稀疏字典用设定宏表情稀疏字典进行线性重构，通过计算获得宏表情域的稀疏字典、微表情域的稀疏字典、宏表情域的投影矩阵、微表情域的投影矩阵、微表情域的重构矩阵、宏表情域的稀疏系数表示矩阵，微表情域的稀疏系数表示矩阵；B、测试阶段，包括步骤如下：(6)对于给定宏表情域测试集、微表情域测试集，分别通过步骤(5)得到宏表情域的投影矩阵、微表情域的投影矩阵，对宏表情数据集和微表情数据集投影到公共空间；(7)利用通过步骤(5)得到的宏表情域的稀疏字典、微表情域的稀疏字典，分别对投影到公共空间的宏表情域测试集、微表情域测试集进行线性重构，得到宏表情域测试集的稀疏系数表示矩阵、微表情域测试集的稀疏系数表示矩阵；(8)通过机器识别经典算法K近邻分类器(KNN)对步骤(7)得到的宏表情域测试集的稀疏系数表示矩阵、微表情域测试集的稀疏系数表示矩阵进行分类识别。