[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

本發明涉及目標識別技術領域，公開了一種基于BN參數遷移學習的表情識別方法，根據面部表情與動作單元標簽關系構建出面部表情識別BN模型結構，其次分別利用人臉源域數據集計算的BN參數和人臉目標域數據集計算BN初始參數，根據遷移機制獲得最終的人臉表情識別BN參數，并利用BN理論中推理算法進行BN推理，識別出面部表情。本發明充分利用了遷移學習機制將某個領域上學習的知識應用到不同但相關的領域中，可以有效地解決面部表情識別中由于光照、拍攝角度等導致的面部表情建模樣本數據量不充足的問題，減少了樣本數量不足對參數學習精度和識別結果的影響，可廣泛應用于嘈雜、不確定以及難以獲取大量人臉目標數據的環境中。

技術領域

本發明涉及人工智能、圖像工程、管理科學與工程中的目標識別應用領域，具體涉及一種基于BN參數遷移學習的表情識別方法。

背景技術

貝葉斯網絡(Bayesian network，BN)在不確定性建模和決策支持中具有實際應用價值，貝葉斯網絡參數學習是在結構已知的情況下，通過樣本數據和先驗知識，獲得所有網絡節點的條件概率分布的過程。

將問題域轉化為BN模型表示后，便可利用BN理論完成推理任務。其中，聯合樹(Junction tree)算法是目前計算速度快、應用最廣的BN精確推理算法之一。由于BN有機地結合了概率論與圖論的理論成果，是解決不確定性和不完備信息推理問題的有效方法，是可應用于面部表情識別的理想工具。

BN模型的參數學習是指在BN模型結構已知的前提下估算出BN模型參數的問題。目前，最大似然估計(Maximum likelihood estimation，MLE)提供了一種給定觀察數據評估模型參數的方法，即模型已定，參數未知。在數據比較充足時，通常采用最大似然估計算法,可以獲得較好的參數學習精度。最大后驗概率(Maximum A Posterior，MAP)估計是根據經驗數據獲得對難以觀察的量的點估計。與最大似然估計類似，最大后驗估計的融入了要估計量的先驗分布在其中。

人臉面部的表情識別是一個綜合了人工智能、神經學、計算機等的交叉學科，在心理分析、臨床醫學、車輛監控以及商業領域都有很廣泛的應用。面部表情是指通過臉部肌肉、眼部肌肉和口部肌肉的變化而表現出的各種情緒。隨著對面部表情研究的深入，Ekman進一步完善了人類的面部表情，提出了基于運動單元(Action Unit，AU)的面部動作編碼系統，通過分析這些運動單元的運動特征來說明與之聯系的相關表情(出處：P.Ekman,W.V.Friesen,J.C.Hager,Facial Action Coding System,A Human Face,Salt LakeCity,UT,2002.)。

已有文獻針對面部表情識別過程中獲得的特征樣本稀少的問題，提出了一種基于小數據集下貝葉斯網絡建模的面部表情識別方法(詳見：郭文強,高文強,肖秦琨,徐成,李夢然.基于小數據集下BN建模的面部表情識別[J].科學技術與工程,2018，18(35):179-183)。該方法首先提取面部表情圖像的幾何特征和HOG特征，經特征融合和歸一化等處理構成動作單元(AU)標簽樣本集，其次提出了用于面部表情識別的BN結構，并將定性專家經驗轉化為BN條件概率之間的約束集合，隨后引入凸優化最大化求解完成BN模型參數的估算。但是，專家經驗的獲取往往存在較大的主觀性，不利于BN參數的估計。

遷移學習的原理就是將一個領域的知識經驗應用到其他場景中，在一個或多個任務領域(源域)中對帶有標簽的樣本進行訓練分析，獲得此類任務的參數模型，進而應用到另一個相關的任務領域(目標域)中，完成對另一領域數據的分類。

遷移學習在處理這兩個具有相關性、共同性的任務時，不需要分別對源域和目標域兩個任務的數據進行單獨處理，而是使用對其中一個任務數據進行模式識別的經驗和知識來對另一個任務數據進行處理。這樣在BN參數學習過程中可以避免受到其中一個任務數據的差異性造成學習結果的不準確，尤其可以避免專家經驗主觀性的影響。

發明內容