[发明专利]一种基于特征子空间分离的交叉数据域微表情分类方法

权利要求书

1.一种基于特征子空间分离的交叉数据域微表情分类方法，其特征在于，所述方法包括：

构建源域和目标域的训练数据和测试数据，将不同数据域按照标签一致性进行标签重定义，用于两个数据域的标签分类一致；

引入公共域对源域和目标域的数据进行处理，源域私有空间和目标域私有空间分别对源域、目标域数据进行处理，用于建立深度学习网络模型；

根据得到的源域预测标签和源域真实标签，利用交叉熵函数进行计算，获得多分类交叉熵损失函数，根据源域、目标域输入数据分别在公共域子空间和该域私有子空间编码得到的特征向量，进行计算获取差异损失函数，根据源域图像和目标域图像分别在公共域子空间编码得到的特征向量，进行计算获取域对抗的相似度损失函数；

对三部分的损失函数进行加权求和获取最终的目标损失函数，使用随机梯度下降优化器训练网络；

将目标域的测试集图像输入到加载训练模型参数后的网络中输出分类结果；

最终的目标损失函数为：

l_total＝l_classify+αl_difference+βl_DANN

其中，α,β是损失函数的权重系数；是源域输入样本i标签独热编码向量，而是模型的Softmax预测输出的标签向量：为共享支路对源域图像数据的特征提取过程，G表示特定任务函数，将特征映射为分类标签；表示矩阵F范数的平方；i为数据的序号，N_s为源域图像的总数，N_t为目标域图像的总数，d_i为图像所在域的真实标签变量，是图像所在域的预测标签变量；

所述引入公共域对源域和目标域的数据进行处理，源域私有空间和目标域私有空间分别对源域、目标域数据进行处理，用于建立深度学习网络模型具体为：

模型由三条卷积神经网络支路组成，中间为公共域子空间，对源域和目标域数据进行处理；剩下两条支路为私有域子空间，分别对源域数据和目标域进行处理；

每条卷积神经网络支路的结构与VGG16保持一致，包含5组卷积，每组卷积包含的卷积层的层数分别是2、2、3、3、3，中间网络支路还包含两个全连接层和一层用于分类的归一化指数函数层；每组卷积后面加入了池化操作以及每个卷积层后面加上了修正线性单元操作。

2.根据权利要求1所述的一种基于特征子空间分离的交叉数据域微表情分类方法，其特征在于，所述将不同数据域按照标签一致性进行标签重定义，用于两个数据域的标签分类一致具体为：

对每一个微表情序列，将顶点帧图像划分到测试数据，其他图像划分到训练数据，序列内图像数据标签与序列标签保持一致，得到每一个数据域的训练数据和测试数据，两个数据域的数据进行交叉组合充当源域数据或目标域数据。