[發明專利]一種微表情識別的方法和裝置

在審

• 申請號: 201610288592.0
• 申請日: 2016-05-03
• 公開（公告）號: CN107341432A
• 公開（公告）日: 2017-11-10
• 發明（設計）人: 陸平;楊帆;羅圣美;鄭文明
• 申請（專利權）人: 中興通訊股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京安信方達知識產權代理有限公司11262
• 代理人: 解婷婷,龍洪

1.一種微表情識別的方法，其特征在于，包括：

獲取微表情測試集；

對于所述測試集內的每一個微表情圖片提取三個正交平面的局部二值模式LBP-TOP特征向量，并用獲得的所述特征向量作為組稀疏最小二乘回歸GSLSR模型的預測子；

通過序列標簽向量和微表情圖片序列特征向量之間的關系，依據獲得的每一個微表情圖片所述GSLSR模型的預測子，獲得所述微表情圖片的GSLSR模型對應的測試集內的標簽。

2.如權利要求1所述的方法，其特征在于：還包括：根據測試集內的每一個微表情圖片的標簽得到所述測試集的識別率。

3.如權利要求1所述的方法，其特征在于：所述方法之前還包括：

獲得序列標簽向量和微表情圖片序列特征向量之間的關系。

4.如權利要求3所述的方法，其特征在于，獲得序列標簽向量和微表情圖片序列特征向量之間的關系包括：

獲取微表情訓練集；

對于所述訓練集內的每一個微表情圖片提取LBP-TOP特征向量，并用獲得的所述特征向量作為GSLSR模型的預測子；

根據獲得的所述每一個微表情圖片的GSLSR模型的預測子，求解GSLSR的回歸系數矩陣，根據所述回歸矩陣獲得序列標簽向量和微表情圖片序列特征向量之間的關系。

5.如權利要求1或4所述的方法，其特征在于，提取LBP-TOP特征向量之前還包括：

將所述圖片的大小進行歸一化；

將所述歸一化后的圖片轉化為灰度圖片。

6.如權利要求1或4所述的方法，其特征在于，提取LBP-TOP特征向量之前還包括：

對所述圖片進行分塊，并為每塊圖片分配權值。

7.如權利要求1所述的方法，其特征在于，通過序列標簽向量和微表情圖片序列特征向量之間的關系，依據獲得的每一個微表情圖片所述GSLSR模型的預測子，獲得所述微表情圖片的GSLSR模型對應的測試集內的標簽包括：

求解描述所述微表情圖片的所述GSLSR模型的預測子與所述序列標簽向量關系函數的最小值，將所述最小值對應的標簽作為所述微表情圖片的標簽。

8.一種微表情識別的裝置，其特征在于：包括：

獲取模塊，設置為獲取微表情測試集；

預測模塊，設置為對于所述測試集內的每一個微表情圖片提取三個正交平面的局部二值模式LBP-TOP特征向量，并用獲得的所述特征向量作為組稀疏最小二乘回歸GSLSR模型的預測子；

標簽模塊，設置為通過序列標簽向量和微表情圖片序列特征向量之間的關系，依據獲得的每一個微表情圖片所述GSLSR模型的預測子，獲得所述微表情圖片的GSLSR模型對應的測試集內的標簽。

9.如權利要求8所述的裝置，其特征在于：還包括：

識別模塊，設置為根據測試集內的每一個微表情圖片的標簽得到所述測試集的識別率。

10.如權利要求8所述的裝置，其特征在于：還包括：

對應模塊，設置為獲得序列標簽向量和微表情圖片序列特征向量之間的關系。

11.如權利要求10所述的裝置，其特征在于，所述對應模塊包括：

訓練單元，設置為獲取微表情訓練集；

特征單元，設置為對于所述訓練集內的每一個微表情圖片提取LBP-TOP特征向量，并用獲得的所述特征向量作為GSLSR模型的預測子；

關系單元，設置為根據獲得的所述每一個微表情圖片的GSLSR模型的預測子，求解GSLSR的回歸系數矩陣，根據所述回歸矩陣獲得序列標簽向量和微表情圖片序列特征向量之間的關系。

12.如權利要求8或11所述的裝置，其特征在于，所述預測模塊包括：

歸一化單元，設置為將所述圖片的大小進行歸一化；

灰度單元，設置為將所述歸一化后的圖片轉化為灰度圖片。

13.如權利要求8或11所述的裝置，其特征在于，所述預測模塊還包括：

權值單元，設置為對所述圖片進行分塊，并為每塊圖片分配權值。

14.如權利要求8所述的裝置，其特征在于，所述標簽模塊，設置為：

求解描述所述微表情圖片的所述GSLSR模型的預測子與所述序列標簽向量關系函數的最小值，將所述最小值對應的標簽作為所述微表情圖片的標簽。