[發明專利]一種基于BN參數遷移學習的表情識別方法

在審

• 申請號: 202010682216.6
• 申請日: 2020-07-15
• 公開（公告）號: CN111814713A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 郭文強;黃梓軒;候勇嚴;徐成;毛玲玲;趙艷;徐紫薇;李夢然
• 申請（專利權）人: 陜西科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 吳林

1.一種基于BN參數遷移學習的表情識別方法，其特征在于，包括以下步驟：

S1、獲取面部活動單元AU；

S2、判斷面部表情BN是否建模；

判斷建模標記BN_Flag是否為“真”，初始值設定為“假”，若BN_Flag為“真”，說明BN已建模，則跳轉至S7，進入識別過程；否則，執行S3，進入建模過程；

S3、獲取BN建模所需樣本AU；

S31、確定人臉表情識別的類別數E_num及類別；

S32、根據每個類別的表情提取所需面部活動單元AU的樣本數據集；

S4、確定人臉表情識別目標/源域網絡BN模型結構圖；

通過獲取到的面部活動單元AU的樣本數據集，以及對人臉面部表情與活動單元AU的關系作為先驗信息，確定出建立目標網絡人臉表情識別BN的模型結構圖G1,確定出源域網絡人臉表情識別BN的模型結構圖G2；

S5、源域BN參數學習；

S51、獲取各源域面部活動單元AU的樣本數據集M(S_n)；

S52、計算各個源域樣本值占源域總樣本值的源權重系數k(n)，用公式(1)所示：

其中，各個源權重系數之和為1，同時權重系數的值均為[0,1]之間的任意實數；

S53、采用最大似然估計MLE的方法得出各個源域BN模型的參數θ_ni，i為源域BN模型子節點中的第i個節點；

S54、融合各個源域BN模型的參數θ_ni，得到總源域BN參數θ_Si；

θ_Si＝∑_nk(n)θ_ni (2)；

S6、獲取目標域人臉表情的BN參數；

S61、采用最大后驗概率估計MAP的方法獲得目標域初始BN模型的參數θ_Ti，i為目標域BN模型子節點中的第i個節點；

S62、根據權重因子計算出目標域人臉表情BN的最終參數θ_i；

θ_i＝α1θ_Ti+α2θ_si (3)

其中，α1和α2為權重因子，α1+α2＝1；

S63、將BN_Flag標記設置為“真”，完成BN建模；返回S1；

S7、面部表情識別；

S71、設置面部表情屬性概率閾值Ψ；

S72、將面部表情識別證據AU，置入構建好的BN模型，利用聯合樹推理算法進行BN推理，得到面部表情屬性概率Ψ'；

S73、判別面部表情；

若面部表情屬性概率Ψ'大于等于閾值Ψ，則輸出面部表情屬性，即面部表情識別結果，否則，重新獲取新AU數據集。

2.如權利要求1所述的基于BN參數遷移學習的表情識別方法，其特征在于，所述步驟S32中根據每類表情提取面部活動單元AU的具體步驟包括：

S321、對人臉面部表情圖像通過CLM算法得到人臉表情的幾何特征；

S322、對人臉面部表情圖像通過HOG算法提取人臉表情的紋理特征；

S323、對人臉表情的幾何特征和紋理特征進行特征融合和歸一化處理，得到人臉表情的融合特征；

S324、利用支持向量機SVM對人臉表情的融合特征進行分類，得到目標域面部活動單元AU的數據集M(t)和源域面部活動單元AU的數據集M(S_n)，n＝1,2,...,q，q為源域的個數，q取自然數。

3.如權利要求2所述的基于BN參數遷移學習的表情識別方法，其特征在于，所述步驟S321中得到人臉表情的幾何特征的具體步驟包括：

S3211、獲取表情圖像特征點定位信息；

利用CLM面部特征點定位算法進行特征點定位，提取人臉表情的幾何特征。