[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

说明书

本发明公开了一种基于特征子空间分离的交叉数据域微表情分类方法，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；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。本发明解决了微表情识别场景中建立模型使用的训练数据和实际应用中使用的测试数据存在特征分布差异的问题，通过分析微表情在面部表达上动作单元的一致性，以及面部背景的差异性，解决交叉数据域微表情分类的问题。

技术领域

本发明涉及图像分类识别分析领域，尤其涉及一种基于特征子空间分离的交叉数据域 微表情分类方法。

背景技术

近年来，随着计算机视觉、模式识别等学科的迅速发展，面部表情的研究趋于成熟， 微表情的研究引起了国内外很多专家学者的关注。识别微表情可以帮助获取人们真实的心 理活动信息，具有广泛的应用价值。在司法刑侦领域，警察可以根据嫌疑人的微表情来综 合考虑供词的真实性；在教育领域，老师可以通过观察学生的微表情，对学生的学习态度 和学习情况有更好的了解，从而更好的对学生进行因材施教；在商业领域，商人可以观察 对手的微表情推测对方的心理波动，有助于掌握商业战略的主动性。

作为一种特殊的动态面部表情，微表情可以揭示人类试图掩盖的隐藏情感。但是，相 比普通的动态面部表情，微表情具有较低的肌肉运动强度和较短的持续时间，这使得自动 微表情识别成为一项非常困难的任务。尽管存在很多挑战，微表情识别仍然成为最近比较 有吸引力的研究主题之一，近年来已经提出了广泛有效的方法来应对这项艰巨的任务。但 可以注意到，大多数目前开发的微表情识别方法的训练样本和测试样本属于相同的微表情 数据库，在这情况下，可以认为训练样本和测试样本遵守相同或相似的特征分布。

然而，在实际应用中，训练和测试的微表情样本可能来自两个不同的数据库。显然， 它们是在不同环境下记录的，所使用的设备也可能不同。在这种情况下，会出现训练模型 使用的样本数据与实际测试使用的样本数据的特征分布存在一定的差异。因此，目前大多 数微表情分类方法在实际测试情况下的性能可能会有所降低。

发明内容

本发明旨在解决微表情识别场景中建立模型使用的训练数据和实际应用中使用的测 试数据存在特征分布差异的问题，通过分析微表情在面部表达上动作单元的一致性，以及 面部背景的差异性，解决交叉数据域微表情分类的问题，本发明提供了一种基于特征子空 间分离的交叉数据域微表情分类方法，详见下文描述：

一种基于特征子空间分离的交叉数据域微表情分类方法，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。

其中，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：