[发明专利]一种人脸微表情识别方法

说明书

本发明提供一种人脸微表情识别方法，能够提高微表情的识别准确率。所述方法包括：从宏观表情数据库中获取第一训练集对3D卷积神经网络进行预训练，并保存预训练得到的网络模型；从微表情数据库中获取第二训练集，对预训练得到的网络模型进行调整，并从3D卷积神经网络的最后一层全连接层提取特征向量，输入到线性SVM分类器中训练；输入待测图像，从3D卷积神经网络的最后一层全连接层提取特征向量，输入到线性SVM分类器中进行分类。本发明涉及图像处理与模式识别技术领域。

技术领域

本发明涉及图像处理与模式识别技术领域，特别是指一种人脸微表情识别方法。

背景技术

面部表情识别是近年来受到广泛关注的比较热门的研究领域。虽然面部表情识别的研究始于20世纪70年代，但是对面部微表情的研究还是比较少的，主要是因为人们擅长区别面部动作丰富的表情，而不是有微小变化的面部表情。微表情是一种极为短暂的动作幅度微小的面部表情，通常持续时间不会超过0.5秒，由于微表情所具有的这些特点，使它在测谎、临床诊断、教育和犯罪调查领域有着广泛的应用前景。

近年来，深度学习越来越展现出它在图像分析领域的潜力。然而，由于没有足够多的可利用的微表情数据库，深度学习的方法在微表情识别上应用还很少。

发明内容

本发明要解决的技术问题是提供一种人脸微表情识别方法，以解决现有技术所存在的微表情样本不足的问题。

为解决上述技术问题，本发明实施例提供一种人脸微表情识别方法，包括：

从宏观表情数据库中获取第一训练集对3D卷积神经网络进行预训练，并保存预训练得到的网络模型；

从微表情数据库中获取第二训练集，对预训练得到的网络模型进行调整，并从3D卷积神经网络的最后一层全连接层提取特征向量，输入到线性SVM分类器中训练；

输入待测图像，从3D卷积神经网络的最后一层全连接层提取特征向量，输入到线性SVM分类器中进行分类。

进一步地，所述从宏观表情数据库中获取第一训练集对3D卷积神经网络进行预训练包括：

从宏观表情数据库中获取宏观表情图像序列；

对获取的宏观表情图像序列进行插值处理，并调整图像的大小至预设值；

将处理后的宏观表情数据库中的宏观表情图像序列按照预设的第一比例划分为第一训练集和第一测试集；

利用第一训练集中的训练样本对3D卷积神经网络进行预训练；

利用第一测试集中的测试样本对预训练得到的网络模型进行测试。

进一步地，插值处理采用3D样条插值法。

进一步地，所述对3D卷积神经网络进行预训练包括：

利用监督学习方法对3D卷积神经网络进行预训练；

其中，监督学习方法是指从宏观表情数据库中选取和微表情数据库中具有相同或类似标签的训练样本来做预训练。

进一步地，所述3D卷积神经网络的结构包括：输入层、与所述输入层相连的卷积层1、与所述卷积层1相连的池化层1、与所述池化层1相连的卷积层2、与所述卷积层2相连的池化层2、与所述池化层2相连的全连接层1、与所述全连接层1相连的全连接层2和与所述全连接层2相连的输出层；

其中，在全连接层2后设置退出。

进一步地，在卷积层i的第j个输出特征图的位置(x，y，z)点处的卷积输出值计算公式如下：