[发明专利]基于运动能量识别眼睑痉挛的方法

说明书

本发明公开了一种基于运动能量识别眼睑痉挛的方法，首先，使用摄像机或手机，从正面拍摄静坐状态下受试者的面部视频图像序列。随后，通过人脸对齐，对视频图像序列中的面部关键点进行几何定位，并根据关键点的位置对受试者面部图像进行区域分割，提取眼部区域进行重点分析。接着，对面部视频图像序列进行特征提取，使用差分算子计算运动能量图，使用积分算子计算积分平均图，分别从运动能量图和积分平均图中提取方向梯度直方图特征。最后，基于支持向量机设计并联集成分类器，对眼睑痉挛及其类型进行识别。本发明将基于视频图像序列的运动分析技术用于眼睑痉挛疾病的临床诊断，实现眼睑痉挛疾病的识别分型，对促进人工智能医学影像辅助诊断技术发展具有重要意义。

技术领域

本发明涉及人工智能、医学影像、临床医学技术领域，尤其涉及一种基于运动能量识别眼睑痉挛的方法。

背景技术

面部运动分析相关研究中一个较为典型的应用是微表情识别，微表情是一种特殊的面部表情，相比于普通的表情，微表情持续时间更短并且每帧之间图像的变化更加细微。目前微表情识别的工作难点主要有两个方面：第一，微表情的持续时间短、动作强度低，需要进行合理的图像预处理和运动特征提取；第二，微表情的数据采集与鉴定比较困难，现有的微表情数据集较少，因此无法有效地将深度学习应用在微表情识别领域。

微表情自发现以来，一直是国内外研究者的一个重要研究课题。目前在微表情识别领域已有一些团队在进行研究，日本的Polikovsky团队使用3D直方图进行微表情的检测与识别，该团队所提出的方法在部分面部区域具有较好的识别效果。美国的Shreve团队使用光流法进行微表情识别，该团队提出的算法对光照不均匀、大量移动等干扰因素具有鲁棒性，但是依赖于面部皮肤中形变的大小。芬兰的赵国英团队使用时间差值模型和LBP-TOP算法提取视频图像的时域和空域特征，进行微表情识别，该算法测试库样本量仍需进行扩充。中国科学院傅小兰团队使用Gabor滤波器来提取图像序列的运动特征，再使用SVM进行微表情分类。

至今，微表情识别在心理诊断、测谎、案情审理等方面有了一些初步应用，但并未有将其应用于面部运动障碍分析场景中。面部运动障碍即面部肌肉丧失随意运动能力，不能跟随意志自主运动或不受意志控制随意运动，在静坐状态下通常表现为肌肉痉挛和张睑失用等现象，可以理解为一种特殊模式的微表情识别。微表情研究中常用的数据库将微表情序列分为高兴、厌恶、惊讶、抑郁和紧张，而本专利所研究的面部运动障碍不属于常见的微表情类别，现有的微表情数据库与识别方法无法有效的解决面部运动障碍分析与识别问题。

发明内容

为解决上述问题，针对现有技术的不足，本发明公开了基于运动能量识别眼睑痉挛的方法。本发明通过采集眼睑痉挛患者和健康对照者的面部视频图像序列，使用人脸图像分割和面部图像处理等技术构建面部运动模型，分析面部肌肉的运动模式，使用支持向量机并联集成分类器进行识别分类，首次将基于视频图像序列的运动分析技术应用于面部运动障碍疾病的临床诊断，对给定的面部运动障碍疾病进行识别分类，实现人工智能医学影像辅助诊断。

本发明的技术方案如下：

本发明公开了一种基于运动能量识别眼睑痉挛的方法，以视频图像序列为信息载体，使用智能分析算法，自动提取受试者的面部运动特征，识别眼睑痉挛及其类型，其中包括如下步骤：

步骤1，面部视频采集；

步骤2，面部关键点定位；

步骤3，面部区域分割；

步骤4，面部序列图像处理；

步骤5，面部运动特征提取；

步骤6，眼睑痉挛识别分型。