[发明专利]一种基于深度森林和卷积神经网络的微表情识别方法

说明书

本发明提供了一种基于深度森林和卷积神经网络的微表情识别方法，所述方法包括：步骤一、采集微表情图像，使用光流法和光流应变法结合的三维特征作为微表情的特征；步骤二、构造基于深度森林和卷积神经网络的异质集成模型，将深度森林的重表示特征经过卷积层和卷积神经网络的深度特征混合形成新的图像特征，帮助分类器实现判别分类；步骤三、结合当前场景内容和微表情分类，与识别对象进行交互。本发明实现了更高的准确率，相比其他微表情识别算法,集成算法表现出更好的鲁棒性。需要更少的参数，训练时消耗更少的时间和资源，是一种轻量高效的微表情识别方法。

技术领域

本发明属于计算机领域，具体地，涉及一种基于深度森林和卷积神经网络的微表情识别方法。

背景技术

在日常生活中，人们利用丰富多样的方式进行沟通、交流和表达自我。面部情绪、身体动作、语言和文字等方式共同构成了人类的基本交流系统。据实验统计，人的面部表情通常包含丰富多样的情绪信息，期间传递的信息量约占所有信息量的55％，声音传递的信息量相对少一些，约占38％。对比而言，语言和文字形式这两种方式在交流沟通中仅仅只能传递7％的信息量。表情是人类情绪的外在表现形式，是表达人类真情情感的重要窗口。

人脸的面部表情主要分为宏表情和微表情。通常人们在交流中直接看到的表情被称为宏表情。宏表情在表达方面拥有三个显著的特点：第一，它们的表现形式较为夸张，人脸区域运动较为强烈，非常容易被人们察觉；第二，它们的表达过程非常自由，没有受到主人理性的抑制和隐藏。第三，他们持续时间较长，通常为0.5s～4s之间，容易被仪器记录下来，因而可以用于研究的实验数据更多。据研究表明，宏表情的识别正确率均已经超过90％。在某些特定环境中，人们试图抑制内心的真情实感,甚至做出一些与之完全相反的表情，但是由于人类机体自身的特点，这种偶尔不经意间流露出来的细微表情被科学家称为微表情。微表情不受人们主观意识的控制，是一种非主观意识的面部表情。通常来说，微表情具有两个特点：(1)持续时间短暂，一般持续时长仅为1/25到1/2秒。(2)面部肌肉运动强度低，微表情仅使用面部部分区域肌肉而且肌肉变化程度较小。

微表情是一种维持时间短、表情变化范围较小、不易被人捕捉觉察到的面部表情，因而人工识别微表情难度较大，并且可靠性也不能得到保证，因此如何精确识别微表情是亟待解决的问题。传统微表情识别算法主要利用不同的特征提取器提取微表情特征，之后将提取到的特征输入到分类器，利用分类器学习训练样本。传统算法提取的特征往往会被现实世界中的不良光照、多重头部姿态变化以及面部阻挡等问题困扰。目前的微表情识别存在样本数量少和识别难度大的问题。

发明内容

本发明提供了一种基于深度森林和卷积神经网络的微表情识别方法，能实现了更高的准确率，相比其他微表情识别算法,集成算法表现出更好的鲁棒性。需要更少的参数，训练时消耗更少的时间和资源，是一种轻量高效的微表情识别方法

为了解决上述问题，本发明提供一种基于深度森林和卷积神经网络的微表情识别方法，所述方法包括：

步骤一、采集微表情图像，使用光流法和光流应变法结合的三维特征作为微表情的特征，将光流法得到的光流向量和应变向量拼接形成特征作为算法的输入，每个图像都表示为三维光流向量Θ，Θ＝{u,v,ε}∈R³，其中，u表示光流场的水平分量，v表示光流场的垂直分量，ε表示光学应变测量；

步骤二、使用改进的基于多重数据复杂度的ECOC方法处理微表情数据，利用数据复杂度探测数据属性特点和分布规律，形成线性辨别度最大的正类簇和负类簇，提高分类器对样本的学习能力，复杂程度较低的区域被认为是有效区域，复杂程度较高的区域被认为是无效区域，妨碍分类识别，应该被剔除,为了区分脸部关键区域对整体表情的影响，使用滑动窗口计算图片的特征复杂度，将图片的空间信息和数据信息融合，具体使用贪心搜索算法寻找最优的正类簇和负类簇，在贪心搜索算法中使用平均最小类间数据复杂度作为簇划分好坏的判别标准；