[发明专利]一种基于机器学习的面部抑郁表情识别方法

说明书

本发明涉及一种基于机器学习的面部抑郁表情识别方法，包括以下步骤：获取目标视频集；将所述目标视频集输入至领域适应抑郁识别模型中得到最终抑郁评分，其中，所述领域适应抑郁识别模型包括特征提取模块，第一目标分类机和第二目标分类机，所述特征提取模块用于对所述目标视频集进行特征提取，获取表情特征和动态特征，所述第一目标分类机的输入为所述表情特征，所述第二目标分类机的输入为所述动态特征，所述第一目标分类机与源分类机之间构建领域适应关系，所述第一目标分类机和第二目标分类机的预测数据集的平均值接近。本发明能够精确识别抑郁表情。

技术领域

本发明涉及情感识别技术领域，特别是涉及一种基于机器学习的面部抑郁表情识别方 法。

背景技术

为了尽早地发现有抑郁倾向的病人，检测他们的情绪是很有用的。人类的情绪可以通 过多种方式识别，如心电图、脑电图、言语、面部表情等。在各种情绪信号中，生理信号被广泛应用于情绪识别。

传统机器学习在用于基于视觉的ADD的场景中，需要足够的已标记的训练数据来学 习分类模型从而用于评估未标记测试数据集中的面部图像，该测试数据集被假定为与训练 数据集具有相同的分布。虽然监督学习技术已经对基于机器学习的抑郁识别做出了巨大贡 献，但是它们的性能通常受到可用已标记训练数据数量的限制，而标记大量数据是昂贵且 耗时的。此外，现有的ADD通常通过为每个实验对象量身定制分类器，以实现精确的抑 郁识别。而从多个实验对象采集的有限数据去训练特定某个实验对象的分类器通常将导致 较差的准确性，这是由于不同的实验对象和拍摄环境会影响分类效果，包括姿势，规模， 照明，遮挡和个体面部形状，纹理和行为的差异。

发明内容

本发明所要解决的技术问题是提供一种基于机器学习的面部抑郁表情识别方法，能够 精确识别抑郁表情。

本发明解决其技术问题所采用的技术方案是：提供一种基于机器学习的面部抑郁表情 识别方法，包括以下步骤：

(1)获取目标视频集；

(2)将所述目标视频集输入至领域适应抑郁识别模型中得到最终抑郁评分，其中，所述领域适应抑郁识别模型包括特征提取模块，第一目标分类机和第二目标分类机，所述特征提取模块用于对所述目标视频集进行特征提取，获取表情特征和动态特征，所述第一目标分类机的输入为所述表情特征，所述第二目标分类机的输入为所述动态特征，所述第一目标分类机与源分类机之间构建领域适应关系，所述第一目标分类机和第二目标分类机的预测数据集的平均值接近；所述领域适应抑郁识别模型表示为其中， Ω_LR(·)为鲁棒的潜在回归函数；Loss(·)为最小平方损失函数，f^t(·)为第二目标分类机， f(·)为第一目标分类机，W^t,W^s和均为模型参数矩阵，为动态特征，X^t为目标视频 集，P为目标视频集与原视频集的潜在空间，F为伪类标签矩阵，X^s为源视频数据集，Y^s为源视频数据的标签矩阵，I_r为r维单位矩阵，I_n为n维单位矩阵，Ω_DC(P)为第一正则化 项，Ω(W)为第二正则化项，W＝[W^s,W^t]。

所述鲁棒的潜在回归函数在设计时，通过决策函数将视频的低级表示和高级语义相关 联，通过约束分布差异最小化导致源视频集和目标视频集在学习到的潜在空间中相关，利 用范数最小化发现最佳潜在空间并且学习从特征矩阵到其包含若干个不同类别的对应标 签矩阵的线性回归映射，通过利用潜在空间中的源分类机将目标数据与预测标签相关联。

所述鲁棒的潜在回归函数其中，μ为平 衡系数，Y^t表示目标视频数据的标签矩阵，U表示对角矩阵，表示在目标视频集X^t上 定义的归一化图拉普拉斯矩阵，||·||_σ表示l_σ范数，||·||_F表示Frobenius范数，tr(·)表示矩阵 的迹。