[發(fā)明專利]一種微表情識(shí)別的方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201610288592.0
• 申請(qǐng)日: 2016-05-03
• 公開（公告）號(hào): CN107341432A
• 公開（公告）日: 2017-11-10
• 發(fā)明（設(shè)計(jì)）人: 陸平;楊帆;羅圣美;鄭文明
• 申請(qǐng)（專利權(quán)）人: 中興通訊股份有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00
• 代理公司: 北京安信方達(dá)知識(shí)產(chǎn)權(quán)代理有限公司11262
• 代理人: 解婷婷,龍洪

1.一種微表情識(shí)別的方法，其特征在于，包括：

獲取微表情測(cè)試集；

對(duì)于所述測(cè)試集內(nèi)的每一個(gè)微表情圖片提取三個(gè)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(yù)測(cè)子；

通過序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系，依據(jù)獲得的每一個(gè)微表情圖片所述GSLSR模型的預(yù)測(cè)子，獲得所述微表情圖片的GSLSR模型對(duì)應(yīng)的測(cè)試集內(nèi)的標(biāo)簽。

2.如權(quán)利要求1所述的方法，其特征在于：還包括：根據(jù)測(cè)試集內(nèi)的每一個(gè)微表情圖片的標(biāo)簽得到所述測(cè)試集的識(shí)別率。

3.如權(quán)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(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系。

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

獲取微表情訓(xùn)練集；

對(duì)于所述訓(xùn)練集內(nèi)的每一個(gè)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(yù)測(cè)子；

根據(jù)獲得的所述每一個(gè)微表情圖片的GSLSR模型的預(yù)測(cè)子，求解GSLSR的回歸系數(shù)矩陣，根據(jù)所述回歸矩陣獲得序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系。

5.如權(quán)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(jìn)行歸一化；

將所述歸一化后的圖片轉(zhuǎn)化為灰度圖片。

6.如權(quán)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(duì)所述圖片進(jìn)行分塊，并為每塊圖片分配權(quán)值。

7.如權(quán)利要求1所述的方法，其特征在于，通過序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系，依據(jù)獲得的每一個(gè)微表情圖片所述GSLSR模型的預(yù)測(cè)子，獲得所述微表情圖片的GSLSR模型對(duì)應(yīng)的測(cè)試集內(nèi)的標(biāo)簽包括：

求解描述所述微表情圖片的所述GSLSR模型的預(yù)測(cè)子與所述序列標(biāo)簽向量關(guān)系函數(shù)的最小值，將所述最小值對(duì)應(yīng)的標(biāo)簽作為所述微表情圖片的標(biāo)簽。

8.一種微表情識(shí)別的裝置，其特征在于：包括：

獲取模塊，設(shè)置為獲取微表情測(cè)試集；

預(yù)測(cè)模塊，設(shè)置為對(duì)于所述測(cè)試集內(nèi)的每一個(gè)微表情圖片提取三個(gè)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(yù)測(cè)子；

標(biāo)簽?zāi)K，設(shè)置為通過序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系，依據(jù)獲得的每一個(gè)微表情圖片所述GSLSR模型的預(yù)測(cè)子，獲得所述微表情圖片的GSLSR模型對(duì)應(yīng)的測(cè)試集內(nèi)的標(biāo)簽。

9.如權(quán)利要求8所述的裝置，其特征在于：還包括：

識(shí)別模塊，設(shè)置為根據(jù)測(cè)試集內(nèi)的每一個(gè)微表情圖片的標(biāo)簽得到所述測(cè)試集的識(shí)別率。

10.如權(quán)利要求8所述的裝置，其特征在于：還包括：

對(duì)應(yīng)模塊，設(shè)置為獲得序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系。

11.如權(quán)利要求10所述的裝置，其特征在于，所述對(duì)應(yīng)模塊包括：

訓(xùn)練單元，設(shè)置為獲取微表情訓(xùn)練集；

特征單元，設(shè)置為對(duì)于所述訓(xùn)練集內(nèi)的每一個(gè)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(yù)測(cè)子；

關(guān)系單元，設(shè)置為根據(jù)獲得的所述每一個(gè)微表情圖片的GSLSR模型的預(yù)測(cè)子，求解GSLSR的回歸系數(shù)矩陣，根據(jù)所述回歸矩陣獲得序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系。

12.如權(quán)利要求8或11所述的裝置，其特征在于，所述預(yù)測(cè)模塊包括：

歸一化單元，設(shè)置為將所述圖片的大小進(jìn)行歸一化；

灰度單元，設(shè)置為將所述歸一化后的圖片轉(zhuǎn)化為灰度圖片。

13.如權(quán)利要求8或11所述的裝置，其特征在于，所述預(yù)測(cè)模塊還包括：

權(quán)值單元，設(shè)置為對(duì)所述圖片進(jìn)行分塊，并為每塊圖片分配權(quán)值。

14.如權(quán)利要求8所述的裝置，其特征在于，所述標(biāo)簽?zāi)K，設(shè)置為：

求解描述所述微表情圖片的所述GSLSR模型的預(yù)測(cè)子與所述序列標(biāo)簽向量關(guān)系函數(shù)的最小值，將所述最小值對(duì)應(yīng)的標(biāo)簽作為所述微表情圖片的標(biāo)簽。