[發明專利]一種基于非線性降維的人臉微表情捕捉及識別方法

在審

• 申請號: 201410184408.9
• 申請日: 2014-04-30
• 公開（公告）號: CN104008391A
• 公開（公告）日: 2014-08-27
• 發明（設計）人: 李海云;董建鑫;景斌;龍云玲;鐘景茹
• 申請（專利權）人: 首都醫科大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種基于非線性降維的人臉微表情捕捉及識別方法。構建一種高速時間序列圖像動態采集系統獲取人臉動態時間序列圖像，利用一種基于拉普拉斯特征映射的非線性降維方法，最終實現低維空間人臉微表情的捕捉及識別。

背景技術

微表情(Micro-expression)是一種持續時間僅為40毫秒至200毫秒的非常快速的表情，它不受意識控制，反映了人類內心的真正情感。微表情作為欺騙檢測線索，在臨床上、偵查審訊、國家安全等領域有重要價值，應用前景極其廣闊。

在臨床上，醫生若能識別病人的微表情，則可以更好地了解病人的需求，針對性地確定治療方案，縮短療程，提高療效。在偵查審訊、國家安全領域，有些訓練有素的恐怖分子等危險人物可能輕易就通過測謊儀的檢測，但是通過微表情，一般就可以發現他們虛假表面下的真實表情。

目前，人們對微表情的認識還十分有限，微表情識別一般借助面部行為編碼系統FACS(Facial?Action?Coding?System)對可能包含微表情的視頻進行逐幀的編碼。FACS編碼的訓練十分費時，編碼者一般需要接受100小時的訓練才能達到初步熟練的程度；同時使用FACS進行編碼也很費時，編碼1分鐘的視頻至少需要2個小時。這極大地限制了目前的微表情研究及應用，此外，由于微表情出現速度很快，人工識別有很大困難，可靠性也無法保證，因此，急需一種有效的人臉微表情自動識別方法。

2011年，美國南佛羅里達大學的Shreve¹采用光流法提取微表情特征，然后根據給定閾值進行微表情分類。同年，芬蘭奧盧大學的趙國英²以時間差值模型LBP-TOP為特征提取方法，綜合利用支持向量機、隨機森林和多核學習方法進行微表情分類。但這些研究與自動識別微表情的目標尚有較大差距，僅僅只是初步探索。2011年，中國科學院心理研究所的吳奇³等對視頻中的人臉進行捕獲并進行相應的預處理，基于Gabor特征對捕獲到的人臉圖像進行特征提取，以形成人臉表情的Gabor表征，再結合Gabor特征與改進的GentleSVM算法實現人臉表情識別，不過，該結果是基于特定的測試集得到的，對于幅度較小的表情或將其應用于現實環境中可能無法達到很高的識別率。2013年，日本的Polikovsky⁴使用200fps高速攝像機在特定的環境下拍攝了10組大學生的面部微表情活動，參與者被要求從6種表情以自己最快的速度回到中性表情中，完成模擬微表情變化的過程。記錄下面部的微變化后，將面部分為12個感興趣區，對每一區域采用3D梯度方向直方圖描述運動。綜合K均值聚類和表決程序的分類結果表明，3D梯度方向直方圖可以有效表征不同面部區域處在不同相位的面部表情動作單元。迄今為止，只有日本的Polikovsky⁵創建的微表情視頻庫使用的是高速照相機，但它是在強光下拍攝，與真實的自然場景有很大區別，因此也需要研制一種獲取人臉動態時間序列圖像的高速圖像采集系統。

微表情持續時間很短并快速變化，需要高速動態圖像跟蹤捕捉，捕捉到的高速動態圖像序列是一個高維數據集，直接對該高維數據進行處理識別微表情特征往往會面臨維數災難。通過維數約減將高維數據轉換為低維特征空間表示，必然在相當大的程度上減輕甚至避免圖像數據處理所面臨的維數災難。

為實現高維輸入樣本在局部意義下的最優低維嵌入，Belkin和Niyogi于2003年提出了基于譜圖理論的Laplacian?Eigenmap⁶(LE)算法。他們發現流形上Laplacian-Beltrami算子的特征函數可以實現流形的低維嵌入，Laplacian-Beltram算子定義為流形切空間上梯度向量的負散度函數。根據譜圖理論，如果數據均勻采樣于高維空間中的低維流形，那么可以用圖的Laplacian去逼近流形上Laplacian-Beltrami算子，進而可以用圖的Laplacian特征向量去逼近流形上Laplacian-Beltrami算子的特征函數。LE算法只需要較少的計算量，執行速度很快，是一種廣泛應用的非線性降維方法。