CN107832691B - 微表情识别方法及装置 - Google Patents
微表情识别方法及装置 Download PDFInfo
- Publication number
- CN107832691B CN107832691B CN201711041380.3A CN201711041380A CN107832691B CN 107832691 B CN107832691 B CN 107832691B CN 201711041380 A CN201711041380 A CN 201711041380A CN 107832691 B CN107832691 B CN 107832691B
- Authority
- CN
- China
- Prior art keywords
- expression
- preset
- micro
- probability
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
- G06V40/176—Dynamic expression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于微表情识别方法及装置。该方法包括:提取待识别微表情图像的待识别特征向量,其中,待识别特征向量包括:待识别微表情图像中的形状特征向量和/或待识别微表情图像中的纹理特征向量;进而,根据待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定待识别微表情图像与每个预设表情属于同种表情类别的相似概率;当待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定待识别微表情图像的表情类别为第一预设表情的表情类别。其中,通过相似概率来确定待识别微表情图像的表情类别,可以有效提升对待识别微表情图像的表情类别识别的准确性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及微表情识别方法及装置。
背景技术
微表情是人类试图压抑或隐藏真实情感时,泄露的非常短暂的、不能自主控制的面部表情,是谎言识别的有效线索,主要应用于安全、司法、临床等领域。
目前,在对微表情进行识别时,会预设一个已经标注了各个表情类别的微表情库,进而确定待识别微表情图像与表情库中每一个预设微表情的距离值,当距离值大于某个预设值时,确定该距离值对应的预设微表情的表情类别为待识别微表情图像的表情类别。
发明内容
为克服相关技术中存在的问题,本公开实施例提供微表情识别方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种微表情识别方法,包括:
提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
当所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别。
本公开的实施例提供的技术方案可以包括以下有益效果,提取待识别微表情图像的待识别特征向量,其中,待识别特征向量包括:待识别微表情图像中的形状特征向量和待识别微表情图像中的纹理特征向量;进而,根据待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定待识别微表情图像与每个预设表情属于同种表情类别的相似概率;当待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定待识别微表情图像的表情类别为第一预设表情的表情类别。其中,通过相似概率来确定待识别微表情图像的表情类别,可以有效提升对待识别微表情图像的表情类别识别的准确性。
根据本公开实施例的第二方面,提供一种微表情识别装置,包括:
提取模块,用于提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
第一确定模块,用于根据所述提取模块提取的所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
第二确定模块,当所述第一确定模块确定的所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别。
根据本公开实施例的第三方面,提供一种微表情识别装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
当所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现以下步骤:
提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
当所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例一示出的微表情识别方法的流程图。
图2是根据一示例性实施例二示出的微表情识别方法的流程图。
图3是根据一示例性实施例三示出的微表情识别方法的流程图。
图4是根据一示例性实施例一示出的一种微表情识别装置的框图。
图5是根据一示例性实施例一示出的一种微表情识别装置中第一确定模块12的框图。
图6是根据一示例性实施例示出的一种微表情识别装置中第一获取子模块121的框图。
图7是根据一示例性实施例示出的一种微表情识别装置中第一确定子模块122的框图。
图8是根据一示例性实施例为二示出的一种微表情识别装置的框图。
图9是根据一示例性实施例示出的一种微表情识别装置中第三获取模块17的框图。
图10是根据一示例性实施例示出的一种微表情识别装置中构造模块18的框图。
图11是根据一示例性实施例示出的一种微表情识别装置中第三确定模块19的框图。
图12是根据一示例性实施例示出的一种用于微表情识别装置80的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例一示出的微表情识别方法的流程图,如图1所示,该方法包括以下步骤S101-S103:
在步骤S101中,提取待识别微表情图像的待识别特征向量,待识别特征向量包括:待识别微表情图像中的形状特征向量和/或待识别微表情图像中的纹理特征向量。
在步骤S102中,根据待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定待识别微表情图像与每个预设表情属于同种表情类别的相似概率。
在步骤S103中,当待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定待识别微表情图像的表情类别为第一预设表情的表情类别。
示例的,可以通过相关技术中的方法,提取待识别微表情图像中的形状特征向量;或者,提取待识别微表情图像中的纹理特征向量;或者,提取待识别微表情图像中的形状特征向量和待识别微表情图像中的纹理特征向量;本公开不对提取时所采用的方法加以限制。值得注意的是,上述各种待识别特征向量可以以矩阵的方式呈现、可以以行向量的方式呈现、也可以以列向量的方式呈现,本公开不对待识别特征向量的表示形式加以限制。
示例的,提取何种类型的待识别特征向量,可以基于预设微表情库中的预设特征向量的类型,当预设特征向量为形状特征向量时,则提取待识别微表情图像中的形状特征向量;当预设特征向量为纹理特征向量时,则提取待识别微表情图像中的纹理特征向量;当预设特征向量为形状特征向量和纹理特征向量时,则提取待识别微表情图像中的形状特征向量和待识别微表情图像中的纹理特征向量。
当提取到上述待识别微表情图像的待识别特征向量后,确定待识别微表情图像与每个预设表情属于同种表情类别的相似概率;当待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定待识别微表情图像的表情类别为第一预设表情的表情类别。
而在相关技术中,在进行微表情的表情类别识别时,是确定待识别微表情图像与预设微表情库中的预设表情的距离值,当待识别微表情图像与预设微表情库中的第一预设表情的距离值小于某个预设值时,则确定待识别微表情图像的表情类别为第一预设表情的表情类别,而当待识别微表情图像与预设微表情库中的第一预设表情的距离值大于某个预设值时,则确定待识别微表情图像的表情类别不是第一预设表情的表情类别,基于上述通过距离来确定表情类别的方法(可以认为目标函数即为求待识别微表情图像与预设表情的距离值的函数),由于不同的微表情之间,其形状特征和纹理特征相差很小,特征空间重合度较大,因此上述目标函数无法有效的对待识别微表情图像进行识别。为了增加微表情之间的辨识度,本公开中使用基于相似概率的目标函数,从而在对待识别微表情进行识别时,会对待识别微表情与预设微表情库中的预设表情属于同种表情类别的相似概率进行预测,如果待识别微表情与预设微表情库中的某一预设表情本来就属于同种表情类别,那么相似概率的值就大于预设阈值,如果待识别微表情与预设微表情库中的某一预设表情本来就不属于同种表情类别,那么相似概率的值就小于预设阈值。
而且在做微表情识别时,一般是利用分类器来进行识别的,由于分类器是基于概率来确定两个图像是否属于同一样本的,所以当基于距离来确定两个图像是否属于同一样本的准确性没有基于概率来确定两个图像是否属于同一样本的准确性高。
本公开的实施例提供的技术方案可以包括以下有益效果,提取待识别微表情图像的待识别特征向量,其中,待识别特征向量包括:待识别微表情图像中的形状特征向量和待识别微表情图像中的纹理特征向量;进而,根据待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定待识别微表情图像与每个预设表情属于同种表情类别的相似概率;当待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定待识别微表情图像的表情类别为第一预设表情的表情类别。其中,通过相似概率来确定待识别微表情图像的表情类别,可以有效提升对待识别微表情图像的表情类别识别的准确性。
在一个实施例中,上述步骤S102可以实施为以下步骤a1-a2:
在步骤a1中,获取待识别特征向量和每个预设表情的预设特征向量之间的距离值。
在步骤a2中,根据距离值确定待识别微表情图像与距离值对应的预设表情属于同种表情类别的相似概率。
可以基于待识别微表情图像与预设表情之间的距离值来确定待识别微表情图像与预设表情属于同种表情类别的相似概率,此时,首先需要先求得待识别微表情图像的待识别特征向量和预设表情库中的预设表情的预设特征向量之间的距离值,进而根据上述距离值确定待识别微表情图像与距离值对应的预设表情属于同种表情类别的相似概率。
本公开的实施例提供的技术方案可以包括以下有益效果:通过距离值来确定相似概率,进而通过相似概率来确定待识别微表情图像的表情类别,可以有效提升相似概率确定的准确性,并提升待识别微表情图像的表情类别识别的准确性。
上述的距离值可以是待识别微表情图像和预设表情之间的欧氏距离,但是欧式距离会将样品的不同属性(即各指标或各变量)之间的差别等同看待,但在实际中,往往样品的不同属性对于区分样品有着不同的重要性,而广义马氏距离可以将样品的不同属性(即各指标或各变量)之间的差别进行差别看待,而表情的不同特征向量对区分表情的表情类别是有这不同的重要性的,因此,在一个实施例中,上述步骤a1可以实施为:通过如下公式确定待识别特征向量和预设表情的预设特征向量之间的距离值:
dM(y,xj)=(y-xj)T×M×(y-xj);
其中,y为待识别微表情图像的待识别特征向量,xj为预设微表情库中的第j个预设表情的预设特征向量,M为目标度量矩阵;j为大于或者等于1的整数;dM(y,xj)为待识别特征向量和预设微表情库中的第j个预设表情的预设特征向量之间的距离值;(y-xj)为待识别特征向量与第j个预设表情的预设特征向量的差值;(y-xj)T为待识别特征向量与第j个预设表情的预设特征向量的差值的转置。
本公开的实施例提供的技术方案可以包括以下有益效果:通过待识别微表情图像和预设表情之间的广义马氏距离来确定相似函数,从而有效提升了相似函数确定的准确性。
在一个实施例中,上述步骤a2可以实施为:通过如下公式确定待识别微表情图像与距离值对应的预设表情属于同种表情类别的相似概率:
p={1+exp[D-b]}-1;
其中,p为待识别微表情图像与距离值对应的预设表情属于同种表情类别的相似概率;D为距离值;b为偏置量。
其中,通过上述的分析可知,本公开的思想是基于度量学习的思想,且设置度量学习的目标函数为相似概率。
本公开的实施例提供的技术方案可以包括以下有益效果:通过相似概率确定待识别微表情图像的表情类别,可以有效提升待识别微表情图像的表情类别识别的准确性。
但是在利用上述公式求解广义马氏距离dM(y,xj)=(y-xj)T×M×(y-xj)时,不仅需要y和xj的值,还需要度量矩阵M的值,因此就需要提前求解广义马氏距离的度量矩阵M的值,只有当获取到的度量矩阵M的值后,才能求得广义马氏距离,此时,如图2所示,上述方法还包括以下步骤S201-S206:
在步骤S201中,将预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情。
在步骤S202中,获取专家和普通标注人员同时标注同一个表情对中的两个预设表情不是同种表情类别的第一概率。
在步骤S203中,获取专家和普通标注人员同时标注同一个表情对中的两个预设表情是同种表情类别的第二概率。
在步骤S204中,获取表情对中的两个预设表情属于相同的表情类别的第三概率,第三概率中包括度量矩阵。
在步骤S205中,根据第一概率、第二概率和第三概率构造似然函数。
在步骤S206中,根据最大期望算法确定似然函数取最大值时度量矩阵的值为目标度量矩阵的值。
为了得到度量矩阵的值,可以先将预设微表情库中的多个预设表情划分为多个表情对,本公开不对表情对的划分方式加以限制,示例的:预设微表情库中的3个预设表情,分别为预设表情1、预设表情2和预设表情3,那么此时划分的表情对为{预设表情1、预设表情2}、{预设表情1、预设表情3}、{预设表情2、预设表情3};或者,划分的表情对为{预设表情1、预设表情2}和{预设表情1、预设表情3}。
由于普通标注人员的人为因素,普通标注人员对预设微表情库中的预设表情的表情类别进行标注的过程中,可能会出错(例如,普通标注人员容易将“厌恶”和“害怕”相混淆),如果认为普通标注人员对预设微表情库中的预设表情的表情类别的标注是完全正确的,那么得到的度量矩阵的值就会忽略普通标注人员对预设微表情库中的预设表情的表情类别标注错误的因素,从而导致确定的度量矩阵的值不准确。为了提升得到的度量矩阵的准确性,还考虑了专家和普通标注人员同时标注同一个表情对中的两个预设表情不是同种表情类别的第一概率以及专家和普通标注人员同时标注同一个表情对中的两个预设表情是同种表情类别的第二概率,而且由于是要得到度量矩阵的值,那么表情对中的两个预设表情属于相同的表情类别的第三概率就要包含上述的度量矩阵,然后根据上述的第一概率、第二概率和第三概率构造似然函数,并根据最大期望算法确定似然函数取最大值时度量矩阵的值为目标度量矩阵的值。
本公开的实施例提供的技术方案可以包括以下有益效果:通过根据上述的第一概率、第二概率、以及包括度量矩阵的第三概率构造似然函数,并根据最大期望算法确定似然函数取最大值时度量矩阵的值为目标度量矩阵的值,由于考虑个普通标注人员将表情类别标错的概率,从而有效提升了度量矩阵的值确定的准确性。
在一个实施例中,上述步骤S204可以通过以下方式实施:通过如下公式确定表情对中的两个预设表情属于相同的表情类别的第三概率:
其中,pi为预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率;表示第i个表情对中的第1个表情的预设特征向量,表示第i个表情对中的第2个表情的预设特征向量;为度量矩阵;b为偏置量;i为大于或者等于1的整数;为第i个表情对中的第1个表情的预设特征向量与第i个表情对中的第2个表情的预设特征向量的差值;为第i个表情对中的第1个表情的预设特征向量与第i个表情对中的第2个表情的预设特征向量的差值的转置。
本公开的实施例提供的技术方案可以包括以下有益效果:通过表情对之间的广义马氏距离来构造相似函数,从而有效提升了相似函数确定的准确性。
在一个实施例中,上述步骤S205可以通过以下方式实施:根据如下公式构造似然函数:
其中,为似然函数,表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;R为普通标注人员的数量,n为预设微表情库中表情对的数量,R、j和n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;pi为预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率。
其中,表示第j个普通标注人员对第i对表情的表情类别的标注结果,由于是普通标注人员的标注结果,因此不一定完全正确。本公开中定义出错的概率为αj和βj;其中,αj表示专家和普通标注人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率,例如:αj表示专家标注结果是1且第j个普通标注结果是1的概率;βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率,例如:βj表示了专家标注结果是0且第j个普通标注结果是0的概率。此时,可以得到第j个普通标注人员将标为的概率是:从而构造的似然函数为:
由于传统微表情识别算法的假设是,普通标注人员对预设微表情库中的所有预设表情的标注结果均是正确无误的,然而由于微表情之间差别很细微,普通标注人员的标注结果难免会出错,本公开中会对普通标注人员的标注结果的错误率进行建模和估计,从而有效提升了获取度量矩阵的准确性。
本公开的实施例提供的技术方案可以包括以下有益效果:通过对普通标注人员的标注结果的出错概率进行了预测,从而有效提升了获取的度量矩阵的准确性。
在一个实施例中,上述步骤S206可以通过以下方式实施:根据如下公式确定目标度量矩阵的值:
其中,为度量矩阵;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;j为(1,2,…,R);为似然函数;α*和β*为当取最大值时α和β对应的数值。
本公开中采用最大期望(英文:Expectation Maximization)算法,确定度量矩阵的值,使得最终确定的度量矩阵的值更为准确。
本公开的实施例提供的技术方案可以包括以下有益效果:通过最大期望确定度量矩阵的值,从而有效提升了获取的度量矩阵的准确性。
在一个实施例中,上述方法还包括以下步骤:当得到多个第一预设表情时,根据多数投票法从多个第一预设表情中确定目标预设表情,并确定待识别微表情图像的表情类别为目标预设表情的表情类别。
如果只有一个第一预设表情,那么此第一预设表情的表情类别为待识别微表情图像的表情类别。
但是由于预设微表情库中的预设表情有多个,此时,确定的第一预设表情可能为多个,在多个第一预设表情中,就可以根据多数投票法(英文:Majority voting method)从多个第一预设表情中确定目标预设表情,并确定待识别微表情图像的表情类别为目标预设表情的表情类别。
图3是根据一示例性实施例三示出的微表情识别方法的流程图,如图3所示,该方法包括以下步骤S301-S309:
在步骤S301中,将预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情。
假设预设微表情库如表1所示,在预设微表情库中有5个预设表情,分别为预设表情I1、预设表情I2、预设表情I3、预设表情I4、预设表情I5;普通标注人员1对预设表情I1标注的表情类别为高兴、对预设表情I2标注的表情类别为反感、对预设表情I5标注的表情类别为恐惧;普通标注人员2对预设表情I1标注的表情类别为高兴、对预设表情I2标注的表情类别为惊讶、对预设表情I5标注的表情类别为恐惧;普通标注人员R对预设表情I1标注的表情类别为高兴、对预设表情I2标注的表情类别为反感、对预设表情I5标注的表情类别为生气。
表1
将上述预设微表情库中有5个预设表情进行划分,划分为多个表情对,表示为训练集D,此时的训练集可以表示为:所述表示第j个普通标注人员对第i个表情对的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对的表情类别不同,表示第j个普通标注人员标注第i个表情对的表情类别相同;所述R为普通标注人员的数量,所述n为所述预设微表情库中表情对的数量,所述R、所述j和所述n均为大于或者等于1的正整数。
示例的,假设第1个表情对为(I1,I2),表示第1个普通标注人员对第1个表情对的表情类别的标注结果,由于第1个普通标注人员对预设表情I1标注的表情类别为高兴,第1个普通标注人员对预设表情I2标注的表情类别为反感,此时的依次类推,则此时D={I1,I2,1,1,…1}。
在步骤S302中,获取专家和普通标注人员同时标注同一个表情对中的两个预设表情不是同种表情类别的第一概率。
在步骤S303中,获取专家和普通标注人员同时标注同一个表情对中的两个预设表情是同种表情类别的第二概率。
在步骤S304中,获取表情对中的两个预设表情属于相同的表情类别的第三概率,第三概率中包括度量矩阵。
通过如下公式确定表情对中的两个预设表情属于相同的表情类别的第三概率:
其中,pi为预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率;表示第i个表情对中的第1个表情的预设特征向量,表示第i个表情对中的第2个表情的预设特征向量;为度量矩阵;b为偏置量;i为大于或者等于1的整数;为第i个表情对中的第1个表情的预设特征向量与第i个表情对中的第2个表情的预设特征向量的差值;为第i个表情对中的第1个表情的预设特征向量与第i个表情对中的第2个表情的预设特征向量的差值的转置。
在步骤S305中,根据第一概率、第二概率和第三概率构造似然函数。
根据如下公式构造似然函数:
其中,为似然函数,表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;R为普通标注人员的数量,n为预设微表情库中表情对的数量,R、j和n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;pi为预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率。
在步骤S306中,根据最大期望算法确定似然函数取最大值时度量矩阵的值为目标度量矩阵的值。
根据如下公式确定目标度量矩阵的值:
其中,为度量矩阵;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;j为(1,2,…,R);为似然函数;α*和β*为当取最大值时α和β对应的数值。
在步骤S307中,提取待识别微表情图像的待识别特征向量,待识别特征向量包括:待识别微表情图像中的形状特征向量和/或待识别微表情图像中的纹理特征向量。
在步骤S308中,获取待识别特征向量和每个预设表情的预设特征向量之间的距离值。
通过如下公式确定待识别特征向量和预设表情的预设特征向量之间的距离值:
其中,y为待识别微表情图像的待识别特征向量,xj为预设微表情库中的第j个预设表情的预设特征向量,为目标度量矩阵;j为大于或者等于1的整数;为待识别特征向量和预设微表情库中的第j个预设表情的预设特征向量之间的距离值;(y-xj)为待识别特征向量与第j个预设表情的预设特征向量的差值;(y-xj)T为待识别特征向量与第j个预设表情的预设特征向量的差值的转置。
在步骤S309中,根据距离值确定待识别微表情图像与距离值对应的预设表情属于同种表情类别的相似概率。
通过如下公式确定待识别微表情图像与距离值对应的预设表情属于同种表情类别的相似概率:
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图4是根据一示例性实施例一示出的一种微表情识别装置的框图,如图4所示,该微表情识别装置包括:
提取模块11,用于提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
第一确定模块12,用于根据所述提取模块11提取的所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
第二确定模块13,当所述第一确定模块12确定的所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别。
在一个实施例中,如图5所示,所述第一确定模块12包括:第一获取子模块121和第一确定子模块122;
所述第一获取子模块121,用于获取所述提取模块11提取的所述待识别特征向量和每个预设表情的预设特征向量之间的距离值;
所述第一确定子模块122,用于根据所述第一获取子模块121确定的所述距离值确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率。
在一个实施例中,如图6所示,所述第一获取子模块121包括:第二确定子模块1211;
所述第二确定子模块1211,用于通过如下公式确定所述提取模块提取的所述待识别特征向量和预设表情的预设特征向量之间的距离值:
dM(y,xj)=(y-xj)T×M×(y-xj);
其中,所述y为待识别微表情图像的所述待识别特征向量,所述xj为所述预设微表情库中的第j个预设表情的预设特征向量,所述M为目标度量矩阵;所述j为大于或者等于1的整数;所述dM(y,xj)为所述待识别特征向量和所述预设微表情库中的第j个预设表情的预设特征向量之间的距离值;所述(y-xj)为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值;所述(y-xj)T为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值的转置。
在一个实施例中,如图7所示,所述第一确定子模块122包括:第三确定子模块1221;
所述第三确定子模块1221,用于通过如下公式确定所述待识别微表情图像与所述第一获取子模块121确定的所述距离值对应的预设表情属于同种表情类别的相似概率:
p={1+exp[D-b]}-1;
其中,所述p为所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率;所述D为所述距离值;所述b为偏置量。
在一个实施例中,如图8所示,所述装置还包括:划分模块14、第一获取模块15、第二获取模块16、第三获取模块17、构造模块18和第三确定模块19;
所述划分模块14,用于将所述预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情;
所述第一获取模块15,用于获取专家和普通标注人员同时标注所述划分模块14得到的同一个表情对中的两个预设表情不是同种表情类别的第一概率;
所述第二获取模块16,用于获取所述专家和所述普通标注人员同时标注所述划分模块14得到的同一个表情对中的两个预设表情是同种表情类别的第二概率;
所述第三获取模块17,用于获取所述划分模块14得到的表情对中的两个预设表情属于相同的表情类别的第三概率,所述第三概率中包括度量矩阵;
所述构造模块18,用于根据所述第一获取模块15获取的所述第一概率、所述第二获取模块16获取的所述第二概率和所述第三获取模块17获取的所述第三概率构造似然函数;
所述第三确定模块18,用于根据最大期望算法确定所述构造模块18构造的所述似然函数取最大值时所述度量矩阵的值为所述目标度量矩阵的值。
在一个实施例中,如图9所示,所述第三获取模块17包括:第四确定子模块171;
所述第四确定子模块171,用于通过如下公式确定所述划分模块14得到的表情对中的两个预设表情属于相同的表情类别的第三概率:
其中,所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率;所述表示所述第i个表情对中的第1个表情的预设特征向量,所述表示所述第i个表情对中的第2个表情的预设特征向量;所述为度量矩阵;所述b为偏置量;所述i为大于或者等于1的整数;所述为所述第i个表情对中的第1个表情的预设特征向量与所述第i个表情对中的第2个表情的预设特征向量的差值;所述为所述第i个表情对中的第1个表情的预设特征向量与所述第i个表情对中的第2个表情的预设特征向量的差值的转置。
在一个实施例中,如图10所示,所述构造模块18包括:构造子模块181;
所述构造子模块181,用于根据如下公式构造似然函数:
其中,所述为所述似然函数,所述表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;所述R为普通标注人员的数量,所述n为所述预设微表情库中表情对的数量,所述R、所述j和所述n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率。
在一个实施例中,如图11所示,所述第三确定模块19包括:第五确定子模块191;
所述第五确定子模块191,用于根据如下公式确定所述目标度量矩阵的值:
其中,所述为度量矩阵;所述α=(α1,α2,…,αR),j表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;所述β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述j为(1,2,…,R);所述为所述似然函数;所述所述α*和所述β*为当所述取最大值时α和β对应的数值。
根据本公开实施例的第三方面,提供一种微表情识别装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
当所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别。
上述处理器还可被配置为:
在一个实施例中,所述根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率,包括:
获取所述待识别特征向量和每个预设表情的预设特征向量之间的距离值;
根据所述距离值确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率。
在一个实施例中,通过如下公式确定所述待识别特征向量和预设表情的预设特征向量之间的距离值:
dM(y,xj)=(y-xj)T×M×(y-xj);
其中,所述y为待识别微表情图像的所述待识别特征向量,所述xj为所述预设微表情库中的第j个预设表情的预设特征向量,所述M为目标度量矩阵;所述j为大于或者等于1的整数;所述dM(y,xj)为所述待识别特征向量和所述预设微表情库中的第j个预设表情的预设特征向量之间的距离值;所述(y-xj)为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值;所述(y-xj)T为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值的转置。
在一个实施例中,通过如下公式确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率:
p={1+exp[D-b]}-1;
其中,所述p为所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率;所述D为所述距离值;所述b为偏置量。
在一个实施例中,所述方法还包括:
将所述预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情;
获取专家和普通标注人员同时标注同一个表情对中的两个预设表情不是同种表情类别的第一概率;
获取所述专家和所述普通标注人员同时标注同一个表情对中的两个预设表情是同种表情类别的第二概率;
获取表情对中的两个预设表情属于相同的表情类别的第三概率,所述第三概率中包括度量矩阵;
根据所述第一概率、所述第二概率和所述第三概率构造似然函数;
根据最大期望算法确定所述似然函数取最大值时所述度量矩阵的值为所述目标度量矩阵的值。
在一个实施例中,通过如下公式确定表情对中的两个预设表情属于相同的表情类别的第三概率:
其中,所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率;所述表示所述第i个表情对中的第1个表情的预设特征向量,所述表示所述第i个表情对中的第2个表情的预设特征向量;所述为度量矩阵;所述b为偏置量;所述i为大于或者等于1的整数;所述为所述第i个表情对中的第1个表情的预设特征向量与所述第i个表情对中的第2个表情的预设特征向量的差值;所述为所述第i个表情对中的第1个表情的预设特征向量与所述第i个表情对中的第2个表情的预设特征向量的差值的转置。
在一个实施例中,根据如下公式构造似然函数:
其中,所述为所述似然函数,所述表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;所述R为普通标注人员的数量,所述n为所述预设微表情库中表情对的数量,所述R、所述j和所述n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率。
在一个实施例中,根据如下公式确定所述目标度量矩阵的值:
其中,所述为度量矩阵;所述α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;所述β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述j为(1,2,…,R);所述为所述似然函数;所述所述α*和所述β*为当所述取最大值时α和β对应的数值。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图12是根据一示例性实施例示出的一种用于微表情识别装置80的框图,该装置适用于终端设备。例如,装置80可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
装置80可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置80的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置80的操作。这些数据的示例包括用于在装置80上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置80的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置80生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置80和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置80处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置80处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置80提供各个方面的状态评估。例如,传感器组件814可以检测到装置80的打开/关闭状态,组件的相对定位,例如所述组件为装置80的显示器和小键盘,传感器组件814还可以检测装置80或装置80一个组件的位置改变,用户与装置80接触的存在或不存在,装置80方位或加速/减速和装置80的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置80和其他设备之间有线或无线方式的通信。装置80可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置80可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置80的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由装置80的处理器执行时,使得装置80能够执行上述的微表情识别方法,所述方法包括:
提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
当所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别。
在一个实施例中,所述根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率,包括:
获取所述待识别特征向量和每个预设表情的预设特征向量之间的距离值;
根据所述距离值确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率。
在一个实施例中,通过如下公式确定所述待识别特征向量和预设表情的预设特征向量之间的距离值:
dM(y,xj)=(y-xj)T×M×(y-xj);
其中,所述y为待识别微表情图像的所述待识别特征向量,所述xj为所述预设微表情库中的第j个预设表情的预设特征向量,所述M为目标度量矩阵;所述j为大于或者等于1的整数;所述dM(y,xj)为所述待识别特征向量和所述预设微表情库中的第j个预设表情的预设特征向量之间的距离值;所述(y-xj)为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值;所述(y-xj)T为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值的转置。
在一个实施例中,通过如下公式确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率:
p={1+exp[D-b]}-1;
其中,所述p为所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率;所述D为所述距离值;所述b为偏置量。
在一个实施例中,所述方法还包括:
将所述预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情;
获取专家和普通标注人员同时标注同一个表情对中的两个预设表情不是同种表情类别的第一概率;
获取所述专家和所述普通标注人员同时标注同一个表情对中的两个预设表情是同种表情类别的第二概率;
获取表情对中的两个预设表情属于相同的表情类别的第三概率,所述第三概率中包括度量矩阵;
根据所述第一概率、所述第二概率和所述第三概率构造似然函数;
根据最大期望算法确定所述似然函数取最大值时所述度量矩阵的值为所述目标度量矩阵的值。
在一个实施例中,通过如下公式确定表情对中的两个预设表情属于相同的表情类别的第三概率:
其中,所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率;所述表示所述第i个表情对中的第1个表情的预设特征向量,所述表示所述第i个表情对中的第2个表情的预设特征向量;所述为度量矩阵;所述b为偏置量;所述i为大于或者等于1的整数;所述为所述第i个表情对中的第1个表情的预设特征向量与所述第i个表情对中的第2个表情的预设特征向量的差值;所述为所述第i个表情对中的第1个表情的预设特征向量与所述第i个表情对中的第2个表情的预设特征向量的差值的转置。
在一个实施例中,根据如下公式构造似然函数:
其中,所述为所述似然函数,所述表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;所述R为普通标注人员的数量,所述n为所述预设微表情库中表情对的数量,所述R、所述j和所述n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率。
在一个实施例中,根据如下公式确定所述目标度量矩阵的值:
其中,所述为度量矩阵;所述α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;所述β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述j为(1,2,…,R);所述为所述似然函数;所述所述α*和所述β*为当所述取最大值时和β对应的数值。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种微表情识别方法,其特征在于,包括:
提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和/或所述待识别微表情图像中的纹理特征向量;
根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
当所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别;
所述根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率,包括:
获取所述待识别特征向量和每个预设表情的预设特征向量之间的距离值;其中,利用广义马氏距离算法获取所述距离值,所述广义马氏距离算法中包括目标度量矩阵的值,确定所述目标度量矩阵的值包括:将所述预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情;获取专家和普通标注人员同时标注同一个表情对中的两个预设表情不是同种表情类别的第一概率;获取所述专家和所述普通标注人员同时标注同一个表情对中的两个预设表情是同种表情类别的第二概率;获取表情对中的两个预设表情属于相同的表情类别的第三概率,所述第三概率中包括度量矩阵;根据所述第一概率、所述第二概率和所述第三概率构造似然函数;根据最大期望算法确定所述似然函数取最大值时所述度量矩阵的值为所述目标度量矩阵的值;根据如下公式构造似然函数:
其中,所述为所述似然函数,为度量矩阵,所述表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;所述R为普通标注人员的数量,所述n为所述预设微表情库中表情对的数量,所述R、所述j和所述n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率;根据所述距离值确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率。
2.根据权利要求1所述的方法,其特征在于,通过如下公式确定所述待识别特征向量和预设表情的预设特征向量之间的距离值:
dM(y,xj)=(y-xj)T×M×(y-xj);
其中,所述y为待识别微表情图像的所述待识别特征向量,所述xj为所述预设微表情库中的第j个预设表情的预设特征向量,所述M为目标度量矩阵;所述j为大于或者等于1的整数;所述dM(y,xj)为所述待识别特征向量和所述预设微表情库中的第j个预设表情的预设特征向量之间的距离值;所述(y-xj)为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值;所述(y-xj)T为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值的转置。
3.根据权利要求1或2所述的方法,其特征在于,通过如下公式确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率:
p={1+exp[D-b]}-1;
其中,所述p为所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率;所述D为所述距离值;所述b为偏置量。
6.一种微表情识别装置,其特征在于,包括:
提取模块,用于提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
第一确定模块,用于根据所述提取模块提取的所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
第二确定模块,当所述第一确定模块确定的所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别;
所述第一确定模块包括:第一获取子模块和第一确定子模块;
所述第一获取子模块,用于获取所述提取模块提取的所述待识别特征向量和每个预设表情的预设特征向量之间的距离值;其中,利用广义马氏距离算法获取所述距离值,所述广义马氏距离算法中包括目标度量矩阵的值;
所述第一确定子模块,用于根据所述第一获取子模块确定的所述距离值确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率;
所述装置还包括:划分模块、第一获取模块、第二获取模块、第三获取模块、构造模块和第三确定模块;
所述划分模块,用于将所述预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情;
所述第一获取模块,用于获取专家和普通标注人员同时标注所述划分模块得到的同一个表情对中的两个预设表情不是同种表情类别的第一概率;
所述第二获取模块,用于获取所述专家和所述普通标注人员同时标注所述划分模块得到的同一个表情对中的两个预设表情是同种表情类别的第二概率;
所述第三获取模块,用于获取所述划分模块得到的表情对中的两个预设表情属于相同的表情类别的第三概率,所述第三概率中包括度量矩阵;
所述构造模块,用于根据所述第一获取模块获取的所述第一概率、所述第二获取模块获取的所述第二概率和所述第三获取模块获取的所述第三概率构造似然函数;
所述第三确定模块,用于根据最大期望算法确定所述构造模块构造的所述似然函数取最大值时所述度量矩阵的值为所述目标度量矩阵的值;
所述构造模块包括:构造子模块;所述构造子模块,用于根据如下公式构造似然函数:
其中,所述为所述似然函数,为度量矩阵,所述表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;所述R为普通标注人员的数量,所述n为所述预设微表情库中表情对的数量,所述R、所述j和所述n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率。
7.根据权利要求6所述的装置,其特征在于,所述第一获取子模块包括:第二确定子模块;
所述第二确定子模块,用于通过如下公式确定所述提取模块提取的所述待识别特征向量和预设表情的预设特征向量之间的距离值:
dM(y,xj)=(y-xj)T×M×(y-xj);
其中,所述y为待识别微表情图像的所述待识别特征向量,所述xj为所述预设微表情库中的第j个预设表情的预设特征向量,所述M为目标度量矩阵;所述j为大于或者等于1的整数;所述dM(y,xj)为所述待识别特征向量和所述预设微表情库中的第j个预设表情的预设特征向量之间的距离值;所述(y-xj)为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值;所述(y-xj)T为所述待识别特征向量与所述第j个预设表情的预设特征向量的差值的转置。
8.根据权利要求6所述的装置,其特征在于,所述第一确定子模块包括:第三确定子模块;
所述第三确定子模块,用于通过如下公式确定所述待识别微表情图像与所述第一获取子模块确定的所述距离值对应的预设表情属于同种表情类别的相似概率:
p={1+exp[D-b]}-1;
其中,所述p为所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率;所述D为所述距离值;所述b为偏置量。
9.根据权利要求6所述的装置,其特征在于,所述第三获取模块包括:第四确定子模块;
所述第四确定子模块,用于通过如下公式确定所述划分模块得到的表情对中的两个预设表情属于相同的表情类别的第三概率:
11.一种微表情识别装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
当所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别;
所述根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率,包括:
获取所述待识别特征向量和每个预设表情的预设特征向量之间的距离值;其中,利用广义马氏距离算法获取所述距离值,所述广义马氏距离算法中包括目标度量矩阵的值,确定所述目标度量矩阵的值包括:将所述预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情;获取专家和普通标注人员同时标注同一个表情对中的两个预设表情不是同种表情类别的第一概率;获取所述专家和所述普通标注人员同时标注同一个表情对中的两个预设表情是同种表情类别的第二概率;获取表情对中的两个预设表情属于相同的表情类别的第三概率,所述第三概率中包括度量矩阵;根据所述第一概率、所述第二概率和所述第三概率构造似然函数;根据最大期望算法确定所述似然函数取最大值时所述度量矩阵的值为所述目标度量矩阵的值;根据如下公式构造似然函数:
其中,所述为所述似然函数,为度量矩阵,所述表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;所述R为普通标注人员的数量,所述n为所述预设微表情库中表情对的数量,所述R、所述j和所述n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率;
根据所述距离值确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现以下步骤:
提取待识别微表情图像的待识别特征向量,所述待识别特征向量包括:所述待识别微表情图像中的形状特征向量和所述待识别微表情图像中的纹理特征向量;
根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率;
当所述待识别微表情图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时,确定所述待识别微表情图像的表情类别为所述第一预设表情的表情类别;
所述根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量,确定所述待识别微表情图像与每个所述预设表情属于同种表情类别的相似概率,包括:
获取所述待识别特征向量和每个预设表情的预设特征向量之间的距离值;其中,利用广义马氏距离算法获取所述距离值,所述广义马氏距离算法中包括目标度量矩阵的值,确定所述目标度量矩阵的值包括:将所述预设微表情库中的多个预设表情划分为多个表情对,每个表情对中包括两个预设表情;获取专家和普通标注人员同时标注同一个表情对中的两个预设表情不是同种表情类别的第一概率;获取所述专家和所述普通标注人员同时标注同一个表情对中的两个预设表情是同种表情类别的第二概率;获取表情对中的两个预设表情属于相同的表情类别的第三概率,所述第三概率中包括度量矩阵;根据所述第一概率、所述第二概率和所述第三概率构造似然函数;根据最大期望算法确定所述似然函数取最大值时所述度量矩阵的值为所述目标度量矩阵的值;根据如下公式构造似然函数:
其中,所述为所述似然函数,为度量矩阵,所述表示第j个普通标注人员对第i个表情对中的两个预设表情的表情类别的标注结果,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别相同,表示第j个普通标注人员标注第i个表情对中的两个预设表情的表情类别不同;所述R为普通标注人员的数量,所述n为所述预设微表情库中表情对的数量,所述R、所述j和所述n均为大于或者等于1的正整数;α=(α1,α2,…,αR),αj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情不是同种表情类别的概率;β=(β1,β2,…,βR),βj表示专家和普通标主人员同时标注第j个表情对中的两个预设表情是同种表情类别的概率;所述pi为所述预设微表情库中的第i个表情对中的两个预设表情属于相同的表情类别的第三概率;
根据所述距离值确定所述待识别微表情图像与所述距离值对应的预设表情属于同种表情类别的相似概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041380.3A CN107832691B (zh) | 2017-10-30 | 2017-10-30 | 微表情识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041380.3A CN107832691B (zh) | 2017-10-30 | 2017-10-30 | 微表情识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832691A CN107832691A (zh) | 2018-03-23 |
CN107832691B true CN107832691B (zh) | 2021-10-26 |
Family
ID=61650227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711041380.3A Active CN107832691B (zh) | 2017-10-30 | 2017-10-30 | 微表情识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832691B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109819100A (zh) * | 2018-12-13 | 2019-05-28 | 平安科技(深圳)有限公司 | 手机控制方法、装置、计算机装置及计算机可读存储介质 |
CN109830280A (zh) * | 2018-12-18 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 心理辅助分析方法、装置、计算机设备和存储介质 |
CN109767321A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 问答过程优化方法、装置、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592143A (zh) * | 2012-01-09 | 2012-07-18 | 清华大学 | 一种驾驶员行车中手持电话违规行为检测方法 |
CN102831389A (zh) * | 2012-06-28 | 2012-12-19 | 北京工业大学 | 基于判别分量分析的人脸表情识别算法 |
CN104850855A (zh) * | 2015-04-27 | 2015-08-19 | 小米科技有限责任公司 | 计算置信度的方法和装置 |
CN104881660A (zh) * | 2015-06-17 | 2015-09-02 | 吉林纪元时空动漫游戏科技股份有限公司 | 基于gpu加速的人脸表情识别及互动方法 |
CN105139039A (zh) * | 2015-09-29 | 2015-12-09 | 河北工业大学 | 视频序列中人脸微表情的识别方法 |
CN106056043A (zh) * | 2016-05-19 | 2016-10-26 | 中国科学院自动化研究所 | 基于迁移学习的动物行为识别方法和装置 |
CN106529453A (zh) * | 2016-10-28 | 2017-03-22 | 深圳市唯特视科技有限公司 | 一种基于增强补丁和多标签学习相结合的表情测谎方法 |
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
CN106897671A (zh) * | 2017-01-19 | 2017-06-27 | 山东中磁视讯股份有限公司 | 一种基于光流和FisherVector编码的微表情识别方法 |
CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
CN107273876A (zh) * | 2017-07-18 | 2017-10-20 | 山东大学 | 一种基于深度学习的‘宏to微转换模型’的微表情自动识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9031331B2 (en) * | 2012-07-30 | 2015-05-12 | Xerox Corporation | Metric learning for nearest class mean classifiers |
US20160306870A1 (en) * | 2015-04-14 | 2016-10-20 | Algoscent | System and method for capture, classification and dimensioning of micro-expression temporal dynamic data into personal expression-relevant profile |
-
2017
- 2017-10-30 CN CN201711041380.3A patent/CN107832691B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592143A (zh) * | 2012-01-09 | 2012-07-18 | 清华大学 | 一种驾驶员行车中手持电话违规行为检测方法 |
CN102831389A (zh) * | 2012-06-28 | 2012-12-19 | 北京工业大学 | 基于判别分量分析的人脸表情识别算法 |
CN104850855A (zh) * | 2015-04-27 | 2015-08-19 | 小米科技有限责任公司 | 计算置信度的方法和装置 |
CN104881660A (zh) * | 2015-06-17 | 2015-09-02 | 吉林纪元时空动漫游戏科技股份有限公司 | 基于gpu加速的人脸表情识别及互动方法 |
CN105139039A (zh) * | 2015-09-29 | 2015-12-09 | 河北工业大学 | 视频序列中人脸微表情的识别方法 |
CN106056043A (zh) * | 2016-05-19 | 2016-10-26 | 中国科学院自动化研究所 | 基于迁移学习的动物行为识别方法和装置 |
CN106529453A (zh) * | 2016-10-28 | 2017-03-22 | 深圳市唯特视科技有限公司 | 一种基于增强补丁和多标签学习相结合的表情测谎方法 |
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
CN106897671A (zh) * | 2017-01-19 | 2017-06-27 | 山东中磁视讯股份有限公司 | 一种基于光流和FisherVector编码的微表情识别方法 |
CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
CN107273876A (zh) * | 2017-07-18 | 2017-10-20 | 山东大学 | 一种基于深度学习的‘宏to微转换模型’的微表情自动识别方法 |
Non-Patent Citations (3)
Title |
---|
LogDet Divergence-Based Metric Learning With Triplet Constraints and Its Applications;Jiangyuan Mei 等;《IEEE Transactions on Image Processing》;20140922;第23卷(第11期);第4920-4931页 * |
微表情识别的理论和方法研究;刘宇灏;《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》;20170315(第03期);第F102-528页 * |
有监督的距离度量学习算法研究进展;沈媛媛 等;《自动化学报》;20141230;第40卷(第12期);第2673-2686页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107832691A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202330B (zh) | 垃圾信息的判断方法及装置 | |
CN109522424B (zh) | 数据的处理方法、装置、电子设备及存储介质 | |
CN109543066A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN105404863A (zh) | 人物特征识别方法及系统 | |
CN109471919B (zh) | 零代词消解方法及装置 | |
CN107832691B (zh) | 微表情识别方法及装置 | |
US11335348B2 (en) | Input method, device, apparatus, and storage medium | |
CN110781323A (zh) | 多媒体资源的标签确定方法、装置、电子设备及存储介质 | |
EP3734472A1 (en) | Method and device for text processing | |
CN109886211B (zh) | 数据标注方法、装置、电子设备及存储介质 | |
CN109670077A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN110781813A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111046927B (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
CN111831806A (zh) | 语义完整性确定方法、装置、电子设备和存储介质 | |
CN107133361B (zh) | 手势识别方法、装置和终端设备 | |
CN111160047A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN113920293A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN109977424B (zh) | 一种机器翻译模型的训练方法及装置 | |
CN113656557A (zh) | 消息回复方法、装置、存储介质及电子设备 | |
CN110634570A (zh) | 一种诊断仿真方法及相关装置 | |
US11373038B2 (en) | Method and terminal for performing word segmentation on text information, and storage medium | |
CN111538998B (zh) | 文本定密方法和装置、电子设备及计算机可读存储介质 | |
CN110738267B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN113157923B (zh) | 实体分类方法、装置及可读存储介质 | |
CN109711386B (zh) | 获取识别模型的方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |