[發明專利]基于雙稀疏遷移學習的跨庫微表情識別方法及裝置

有效

• 申請號: 202010578064.5
• 申請日: 2020-06-23
• 公開（公告）號: CN111832426B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 宗源;劉佳騰;鄭文明;唐傳高;路成;李溯南
• 申請（專利權）人: 東南大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 馮艷芬

1.一種基于雙稀疏遷移學習的跨庫微表情識別方法，其特征在于該方法包括：

(1)獲取兩個不同的微表情數據庫，分別作為訓練數據庫和測試數據庫，其中，每個微表情數據庫中包括有若干微表情數據和對應的情感類別標簽；

(2)將訓練數據庫和測試數據庫中的微表情數據分別進行預處理，得到每段微表情數據的LBP-TOP特征；

(3)建立雙稀疏遷移學習模型，所述雙稀疏遷移學習模型包括一項投影向量均值項以及兩項正則化稀疏項；

(4)將訓練數據庫和測試數據庫中微表情數據的LBP-TOP特征和對應的情感類別標簽分別輸入建立的雙稀疏遷移學習模型進行訓練，其中，在訓練模型時使用交替方向法進行訓練，得到待學習參數的最優值C^*和β^*；

(5)將待識別微表情數據進行預處理，得到其LBP-TOP特征，并將LBP-TOP特征輸入訓練好的雙稀疏遷移學習模型，輸出待識別微表情的情感類別。

2.根據權利要求1所述的基于雙稀疏遷移學習的跨庫微表情識別方法，其特征在于：步驟(2)中所述預處理包括：人臉檢測，對齊，1*1、2*2、4*4、8*8的人臉多尺度網格劃分和提取特征。

3.根據權利要求1所述的基于雙稀疏遷移學習的跨庫微表情識別方法，其特征在于：步驟(3)中建立的所述雙稀疏遷移學習模型具體為：

s.t.β≥0

式中，為投影向量均值項，||β||₁、||C^T||_2,1為正則化稀疏項，L為情感類別標簽形成的矩陣，C＝[C₁,...,C_N]為回歸系數矩陣，為待學習參數，β＝[β₁,...,β_N]^T為權重向量，其元素為非負實數，表示對應LBP-TOP特征對微表情識別的作用，為待學習參數，N表示人臉的分塊數，n_s、n_t分別為訓練數據庫和測試數據庫的樣本數，分別為訓練數據庫、測試數據庫中微表情數據的LBP-TOP特征組成的矩陣的第i個列向量，1^s、1^t分別為長度為n_s、n_t的元素值全為1的向量，λ、μ和τ為控制正則項的權衡系數，為Frobenius范數的平方，||||_2,1為2,1范數，||||₁為1范數。

4.根據權利要求3所述的基于雙稀疏遷移學習的跨庫微表情識別方法，其特征在于：步驟(4)中所述交替方向法具體為：

(4-1)固定β,更新C：

將所述雙稀疏遷移學習模型變換為：

使用增廣拉格朗日乘子法對上式進行求解，得到C的最優值C^*；

(4-2)固定C,更新β：

將所述雙稀疏遷移學習模型變換為：

s.t.β≥0

通過最小二乘法對上式進行優化得到β的最優值β^*。

5.根據權利要求4所述的基于雙稀疏遷移學習的跨庫微表情識別方法，其特征在于：步驟(5)中獲取待識別微表情的情感類別的方法為：

將待識別微表情的LBP-TOP特征X_t輸入訓練好的雙稀疏遷移學習模型，得到待識別微表情的情感類別L_pred：

式中，()_i表示對應矩陣的第i個列向量；為待識別微表情的情感標簽向量，表示的第k個元素，m為情感類別數。

6.一種基于雙稀疏遷移學習的跨庫微表情識別裝置，包括處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于：所述處理器執行所述程序時實現權利要求1-5中任意一項所述的方法。