[发明专利]一种无监督跨域人脸表情识别方法

说明书

本发明公开了一种无监督跨域人脸表情识别方法，通过找到一个特征变换矩阵将源域和目标域样本映射到一个公共子空间，引入无参数的最大均值差异MMD来度量源域和目标域数据之间边缘分布和条件分布的距离，在该子空间中联合对齐边缘分布和条件分布，最小化域之间的分布距离。然后对变换的特征进行训练得到一个域适应分类器，来对目标域中的数据标签进行预测。本发明克服了目前存在的大多数人脸表情识别需要满足所用的测试集与训练集均来自于同一个数据集，即训练样本与测试样本满足独立同分布的假设，且不需要在目标域中带有标签样本，提高了跨域人脸表情的识别效果。

技术领域

本发明涉及一种无监督跨域人脸表情识别方法，特别是一种基于联合分布对齐的无监督跨域人脸表情识别方法，属于人工智能，目标检测和图像分类领域。

背景技术

传统的人脸表情识别任务中训练样本和测试样本通常来自于同一个数据库，其任务是通过一系列有标签训练样本预测没有给定标签的测试样本来学习一个分类器。在实际情况中，训练集和测试集往往来自不同的表情数据库。例如，通过不同设备采集的样本，或者在不同环境下采集的样本具有不同的特征分布。这就造成了一个比传统的人脸表情识别更具有挑战性的问题，即跨域人脸表情识别。为了在跨域面部表情识别问题中区分训练和测试表情库，将这两个库分别称为源域数据库和目标域数据库。根据目标域(测试)人脸表情样本所提供的标签信息，跨域问题大致可以分为半监督和无监督两种情况。在半监督情况下，目标域人脸表情样本的标签是可以得到的，但在无监督的情况下，目标域人脸表情样本的标签是完全未知的。有监督的学习技术为机器学习和计算机视觉做出了巨大的贡献，促进了识别算法在实际场景中应用的发展。虽然这些技术已经显著地提高了现有的技术水平，但是其性能也常常受训练数据库中带标签数据量限制。由于获取人工标注标签的代价十分昂贵，在很大程度上限制了这些算法的通用性。因此，本发明提出一种基于联合分布对齐的无监督跨域人脸表情识别方法，提高了跨域人脸表情识别精度。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种高精度的无监督跨域人脸表情识别方法。

为解决上述技术问题，本发明的一种无监督跨域人脸表情识别方法，包括以下步骤：

S1：数据集的划分：将一个表情数据集作为训练数据集，即源域，另外一个表情数据集作为测试数据集，即目标域；

S2：对训练数据集和测试样本数据集中图像进行人脸检测并提取脸部区域，之后进行预处理，主要包括灰度化、尺寸归一化、直方图均衡化，消除图像中存在的冗余和干扰信息；

S3：对预处理后的脸部区域图像采用特征提取算法提取特征；

S4：对提取后的特征采用基于联合分布对齐的迁移学习方法，减小不同域间的差异性；

S5：对变换后的源域特征数据进行训练得到分类模型来预测目标域标签。

本发明还包括：

S4对提取后的特征采用基于联合分布对齐的迁移学习方法，减小不同域间的差异性，具体包括：

S4.1：通过无参的最大均值差异，对齐源域和目标域之间的边缘分布；

S4.2：通过在源域上训练的基分类器f来得到目标域中每个样本的伪标签，并采用目标域实例选择算法得到具有高精度伪标签的目标域数据；

S4.3：在有了真实标签的源域样本和带有高精度伪标签的目标域样本之后，对MMD进行修改对齐源域和目标域之间的条件分布；

S4.4：为保留源域的判别信息，对源域样本进行域不变聚类；

S4.5：根据S4.1、S4.2、S4.3和S4.4中的目标函数得到最终的优化模型，并对其进行求解得到变换矩阵A，判断是否收敛，如果收敛执行S5，否则跳转至S4.2。

本发明的有益效果：