[发明专利]一种基于深度学习的表情分类及微表情检测的方法

说明书

本发明公开一种基于深度学习的表情分类及微表情检测的方法，包括：将待测数据调整为预设格式的图像后进行地标点定位检测，将图像和检测的地标点作为第一输入样本；基于预设的微表情与地标点位置对照表作为第二输入样本，将第一输入样本和第二输入样本使用随机最速下降法进行深度学习网络的训练，通过深度学习网络结构中新增的首层对图像进行目标区域剪裁，将剪裁后的图像分别同时进入深度学习网络结构中对应的各个层的进行训练，输出表情分类及微表情的检测结果。本发明解决了已有的人工特征方法或者深度学习方法准确率不高的技术问题。提出了新的深度学习模型，提高了表情分类和微表情检测的准确率。

技术领域

本发明涉及的是一种基于深度学习的表情分类及微表情检测的方法，属于计算机视觉技术领域。

背景技术

人们一直在进行针对人脸表情的研究，当前最基础的表情方面的研究为表情分类，将表情分为开心，惊讶，恐惧，伤心，厌恶，愤怒，无表情，这是最基本的一种分类方法。但实际上人的表情远非以上7种表情所能涵盖，更多细微的表情反映出人更多的内心活动，心理学家Paul Ekman和研究伙伴Wallace V.Friesen做了深入研究创造了面部行为编码系统FACS，根据人脸解剖学的特点，根据人脸肌肉的动作，对人脸面部变化划分成了相互独立有相互联系的动作单元AU(Action Unit)，本专利所述微表情采取此定义，即本专利所描述的微表情检测方法是针对AU单元的检测方法。

Paul Ekman和Wallace V.Friesen在1978年首发论文《Facial Action CodingSystem:A Technique for the Measurement of Facial Movement》对FACS进行了最初的定义，之后与2002年，Paul Ekman、Wallace V.Friesen和Joseph C.Hager发表论文《FacialAction Coding System:The Manual on CD ROM》对FACS进行了一次改进，形成了现在人们使用的面部行为编码系统。

在深度学习未得到较广泛应用以前，受制于计算能力，人们更多情况下采用提取人工制造特征的方式进行表情和微表情检测，且此种检测实际上靠分类任务完成，比如提取图像的HOG(Histogram of Oriented Gratitude)特征或者CEDD(Color and EdgeDirectivity Descriptor)特征，之后将提取到的特征进行级联或者特征选择、PCA(Principal Component Analysis)降维、级联SVM(Support Vector Machine)的方式进行表情或微表情有还是无的分类。这种方式所采用的人工特征，在制作的过程中，为了达到比较好的效果，多半伴随着结构复杂、计算量大的特点，并且很多无法有效区分噪声信息和有用信息，在提升抗噪声性的同时将部分有用信息也同时滤除，鲁棒性不强。