[发明专利]一种基于深度学习的人脸微表情识别方法

说明书

技术领域

本发明涉及的是一种人脸识别方法，尤其涉及一种基于深度学习的人脸微表情识别的方法。

背景技术

语言和表情是表达人们内心情感状态的重要方式。心理学研究表明：人类日常生活中通过语言来表达的信息只占7％，而近乎55％的信息表达来源于表情。直到今天，人类对面部表情的分类研究已经取得了惊人的成果，但关注的大多是普通表情，然而，普通表情不能更加精准的表示人类的心理活动，内心的流露和掩饰能够通过微表情表达出来，在人们做的不同表情之间，会“透露”一部分重要信息，当我们试图隐藏某种情感时，微表情会一闪而过，下意识的表情可能会持续一段时间，但视频序列中截取的某几帧图像能够揭示我们是否在撒谎。我们微表情会泄露比我们想像的多得多的信息。因此，微表情的识别越来越受到学术界和广大研究人员的重视。

20世纪60年代，Ekman在研究抑郁症患者的表情时，Mary表情愉悦的恳求大夫让她回家看看她的猫，可是回去后她选择了自杀，在分析Mary的表情时发现，有两帧图像的表情非常痛苦，这两帧图像只持续了1/15秒。Ekman把它叫做微表情。微表情持续时间只有1/25到1/5秒，我们很难发现它的存在，它可能包含普通表情的全部肌肉动作，也可能只包含其中的一部分。往往是人们试图隐藏内心真实想法的表现。

后来，Ekman收集了大量的表情图片进行研究，并总结出了“微表情大全”，即“面部动作编码系统”。Ekman用人脸部的43块肌肉组合出了10000种不同表情，有3000种和情感相关。通过人脸的不同肌肉组合就可以分辨出人的情感变化。目前很多读心术也是采用这种方法。

由于能提供研究的微表情数据库很少，而且瞬间微表情的变化很难捕捉和分析，关于微表情识别的文章也不是很多，微表情不同于普通表情的地方在于它的持续时间过短，微表情往往是受到刺激后情绪的表现。因为它用裸眼很难发现，所以亟待研究出关于微表情的计算机检测的识别系统。另外，由于诱发微表情和标记微表情很困难，目前的微表情数据库还很有限。随着科学技术的发展，微表情识别成为了新的研究热点，主要研究目标是自动识别出人脸中隐藏的表情的微妙变化。

发明内容

本发明的目的在于提供一种能够自动识别出人脸中隐藏的表情的微妙变化的基于深度学习的人脸微表情识别方法。

本发明的目的是这样实现的：

步骤A：建立微表情数据库；

步骤B：对微表情图像进行预处理；

步骤C：利用卷积块代替大卷积核提取特征；

步骤D：利用卷积块构建基于卷积块的微表情识别网络结构(CBCNN)，并用利用微表情识别网络结构对微表情进行识别。

本发明还可以包括：

1、所述建立微表情数据库具体包括：

步骤A1：搜集现有的微表情数据库图片；

步骤A2：从网络上搜索一定量的微表情图片；

步骤A3：从现有的微表情数据库图片中截取一部分图片和从网络上搜索的微表情图片组合成新的微表情数据库。

2、所述对微表情图像进行预处理具体包括：

步骤B1：将图片进行左右翻转，将微表情图片数量增大一倍；

步骤B2：进行图像归一化操作；

步骤B3：进行直方图均衡化操作。

3、所述利用卷积块代替大卷积核提取特征是利用小卷积核多次卷积的方法。

本发明利用从网络上搜集的大量微表情图片构建新的微表情库，弥补现有微表情库背景、光照、遮挡等单一的缺陷。并通过卷积块的组建来改善传统大卷积核对微表情图片卷积的效果。构造适用于微表情图征的CBCNN网络结构对微表情进行识别。

本发明的有益效果为：

1、本发明构建的微表情数据库从网络搜集了更接近自然状态的微表情图片，然后与现有微表情数据库组合成为新的微表情数据库。本发明构建的数据库克服了传统微表情库背景单一、光照变化不明显、缺少遮挡等的限制，更接近于自然状态微表情。

2、本发明仅依赖一个卷积神经网络对微表情进行识别，无需复杂的特征提取过程，利用网络自动分析特征，改善了传统人脸识别方法特征不易提取的劣势。并对传统卷积神经网络结构进行改善，利用小卷积核多次卷积来代替大卷积核，提出卷积块结构，这种卷积块结构对于微表情这种差异不明显的图片有较好的效果。

附图说明

图1是本发明的微表情图像样本和预处理操作图。

图2是本发明的微表情识别卷积神经网络卷积块的结构和网络整体结构图。

具体实施方式