[发明专利]一种基于稀疏共享迁移回归模型的跨库微表情识别方法

说明书

本发明公开了一种基于稀疏共享迁移回归模型的跨库微表情识别架构，架构主要包括基于源域和目标域微表情数据库的特征提取、学习优化一种更加共享的迁移回归模型和针对目标域微表情数据库样本的识别。本发明从均值和协方差矩阵角度来减小源域和目标域的分布差异，将标签的源域和未标签的目标域映射到公共的特征空间，再通过优化稀疏回归系数矩阵对三个时空描述符进行大量的实验。在与其他7种领域自适应的方法进行比较的过程中，证明了所提出发明确实优于另外7种方法。

技术领域

本发明涉及模式识别、情感计算，尤其涉及一种基于领域自适应的微表情跨库识别方法。

背景技术

微表情是一种情绪表达，微表情不仅简短轻微，仅能持续0.04～0.2s，但更重要的是，它是不自觉和自发情况下产生的。一般来说，对于没有经验的人来说是很难识别的，甚至是经过专业训练后。近年来，微表情识别得到了广泛的应用,因为它可广泛应用于大部分心理及临床诊断场景，警用讯问、国家与公安安全、欺骗分析等。Zhao等人提出了一种三维空间上扩展的动态纹理LBP-TOP(Local Binary Pattern on Three Orthogonal Planes)的识别方法，通过结合XY、XT和YT这三个平面的局部二进制模型。为了减少LBP-TOP描述符的冗余，Wang等人提出的六交点局部二进制模型LBP-SIP(LBP with Six IntersectionPoints)以提高计算的效率。受LBP-TOP的启发，Li等人提出了二维时空的HOG和HIGO的三维时空版本HOG-TOP(Histograms of Oriented Gradients-TOP)和HIGO(Histogram ofImage Gradient-TOP)。

在上述的各种微表情识别的方法中，绝大多数是基于的一个常见的假设是训练和测试数据来自于相同的数据库，即训练和测试数据在一定程度上遵循相同的特征空间和概率分布。然而，训练数据和测试数据之间涉及到的跨数据库问题其实是广泛的存在于实际场景中，如面部表情识别、活动识别、言语情感识别。在跨数据库问题中，研究人员一般将训练数据库视为源域，将测试数据库视为目标域。跨数据库的微表情识CDMER(Cross-database micro-expression recognition)也是一种迁移学习，为了处理CDMER,Zong等人首先提出了一种方法称为TSRG，该方法是从目标域微表情数据库中重新生成样本数据库且与源域样本共享相似的特征空间。为了提高识别性能，Zong等人随后提出了在标签空间的领域再生成的DRLS方法，充分利用域再生标签空间作为预定义的子空间。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种领域自适应的微表情跨库识别方法，该方法识别表现的更好。

技术方案：本发明所述的基于领域自适应的微表情跨库识别方法包括：

(1)获取两个采用环境完全不同的微表情数据库，分别作为源域和目标域，并针对标签类别不一致的情况下对微表情数据库样本进行标签再定义；

(2)采用分层划分的方案，结合1×1、2×2、3×3和4×4这四种网格，最终将人脸划分为85个面部块，然后对源域和目标域的微表情数据库分别提取LBP-TOP、LBP-SIP和HOG-TOP这三种时空描述符特征；

(3)建立稀疏共享迁移回归模型，将标签的源域和未标签的目标域特征空间通过稀疏回归系数矩阵映射到共享的特征空间上，且通过均值和协方差矩阵迭代优化该矩阵以减小两域特征空间的分布差异；

(4)预测目标域微表情数据库样本的标签，将可能性最大的作为该样本的预测标签类别。从准确率和mean F1-score两个角度来分析该模型的识别表现，并在上述三种时空描述符上与其他七种领域自适应的方法进行实验对比和分析；

进一步的，步骤(1)所述的微表情数据库样本标签再定义为：