[發(fā)明專利]一種基于面試中微表情的說謊檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911047515.6
• 申請(qǐng)日: 2019-10-30
• 公開（公告）號(hào): CN110889332A
• 公開（公告）日: 2020-03-17
• 發(fā)明（設(shè)計(jì)）人: 胡慶浩;吳其蔓
• 申請(qǐng)（專利權(quán)）人: 中國科學(xué)院自動(dòng)化研究所南京人工智能芯片創(chuàng)新研究院;中國科學(xué)院自動(dòng)化研究所
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06Q10/10
• 代理公司: 南京泰普專利代理事務(wù)所(普通合伙) 32360
• 代理人: 竇賢宇

1.一種基于面試中微表情的說謊檢測(cè)方法，其特征是包括以下步驟：

步驟1、制作數(shù)據(jù)標(biāo)簽：模型以皺眉、抬眉毛、抿嘴、嘟嘴、歪頭五種表情進(jìn)行訓(xùn)練，對(duì)每一類表情數(shù)據(jù)打上標(biāo)簽；

步驟2、特征提取：輸入臉部微表情的圖像到預(yù)訓(xùn)練好的以VGG16作為骨干的SSD網(wǎng)絡(luò)中，讓圖片經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)提取特征，并生成特征圖；

步驟3、評(píng)估邊界：對(duì)每個(gè)特征圖都執(zhí)行卷積操作來評(píng)估默認(rèn)邊界框，對(duì)每個(gè)邊界框預(yù)測(cè)偏移量和分類概率；

步驟4、重生邊界：將不同特征圖獲得的邊界框結(jié)合起來，執(zhí)行非極大值抑制的方法過濾一部分重疊或者不正確的邊框，生成最終的邊界框集合，即檢測(cè)結(jié)果；

步驟5、結(jié)果分類：對(duì)檢測(cè)結(jié)果用分類器分類。

2.根據(jù)權(quán)利要求1所述的一種基于面試中微表情的說謊檢測(cè)方法，其特征在于，所述步驟1進(jìn)一步為：

步驟1-1、模型提取皺眉、抬眉毛、抿嘴、嘟嘴、歪頭五種人臉圖像的特征向量，對(duì)人臉圖像中每個(gè)ground truth，找到與其IOU最大的先驗(yàn)框，該先驗(yàn)框與其匹配，對(duì)于剩余的未匹配先驗(yàn)框，若某個(gè)ground truth的大于閾值0.5，則該先驗(yàn)框也與這個(gè)ground truth進(jìn)行匹配；

步驟1-2、將人臉圖像裁剪為尺寸256×256像素，對(duì)像素內(nèi)的人臉圖像進(jìn)行膚色識(shí)別，將單位像素的RGB色彩空間轉(zhuǎn)換為YCrCb色彩空間，將32×32像素的區(qū)域定義為一個(gè)Block，為每個(gè)Block分別建立膚色特征向量；對(duì)該圖像進(jìn)行梯度運(yùn)算，對(duì)于連續(xù)的圖像函數(shù)f(x，y)，其在任意像素點(diǎn)(x，y)處的梯度值為矢量：

式中，G_x表示圖像沿x方向的梯度，G_y表示圖像沿y方向的梯度，梯度幅值是f(x，y)在其最大變化率方向上的單位距離增加的量；

梯度幅值用表示，表達(dá)式如下：

式中，f(x+1，y)表示y方向不變，x方向累加一個(gè)像素點(diǎn)的圖像函數(shù)，f(x，y+1)表示x方向不變，y方向累加一個(gè)像素點(diǎn)的圖像函數(shù)，其它含義同上；

方向角用表示，表達(dá)式如下：

式中，各符號(hào)含義同上；

步驟1-3、根據(jù)提取出的模型特征作為訓(xùn)練樣本，計(jì)算輸入量與輸出量之間關(guān)聯(lián)性的估計(jì)函數(shù)，訓(xùn)練系統(tǒng)對(duì)于不同輸出量的預(yù)測(cè)能力，在函數(shù){f(x，ω)}中求得最優(yōu)函數(shù)f(x，ω₀)對(duì)變量y與x的關(guān)聯(lián)性估計(jì)，并使得期望風(fēng)險(xiǎn)R(ω)為最小值：

式中，f(x，ω)表示預(yù)測(cè)函數(shù)，{f(x，ω)}表示預(yù)測(cè)函數(shù)的集合，ω表示廣義參數(shù)，L(y，f(x，ω))表示使用函數(shù)f(x，ω)對(duì)輸出量y進(jìn)行預(yù)測(cè)與實(shí)際輸出相比所造成的損失，h表示所預(yù)測(cè)的函數(shù)集的最大訓(xùn)練能力，n為訓(xùn)練樣本，η∈[0，1]。