[发明专利]一种基于主动迁移学习的微表情识别方法

说明书

本发明涉及一种基于主动迁移学习的微表情识别方法，包括：(1)宏表情、微表情特征提取；(2)微表情主动迁移学习问题的建立与求解；(3)微表情识别。基于宏表情和微表情的内在联系，本发明通过一个非对称的线性翻译器，构筑宏表情到微表情之间的桥梁。主动学习在开始阶段可以利用的标注样本比较少，通过该翻译器，使微表情在变换域中可以利用宏表情域的监督信息，从而有助于主动学习在微表情域选择高质量的样本，被人工标注后加入到已有训练集中，训练出更为有效的分类器。

技术领域

本发明涉及一种基于主动迁移学习的微表情识别方法，属于机器学习和模式识别的技术领域。

背景技术

微表情是一种类型的自发表情，它是情绪的自然表露，是人不经意间的情感表达，因而无法复制伪造，因此在临床诊断和安全防范等领域有着极大的利用价值。微表情类别的标注是一项要求严格的工作，需要具有心理学背景的科研人员结合图像序列的上下文信息，给出综合的判断。为了给出标准的微表情样本，科研人员花费了大量时间和经历设计诱导机制，采集样本和人工标注，但现有数据库样本的数量上还是太少。

宏表情，即我们熟知的人的表情，在定义上与微表情存在诸多差异，比如持续时间和变化幅度。宏表情动作幅度强，表达明显，在单帧图片上即可被很好地认知；而微表情动作微弱，需要借助整个图像序列加以判断。然而，在本质上，它们都是由面部肌肉运动而产生的客观形态，是人类内心情绪状态的表达。

Ekman等人将表情视为由不同的动作单元组成，根据他们提出的面部行为编码系统(Facial Action Coding System，FACS)可以定量地确定表情的属性。微表情的研究同样以FACS作为基础理论，这从侧面反映出表情和微表情之间存在的内在联系。

现有方法先利用微表情标注数据集训练得到分类器，但该分类器的泛化能力与标注数据集的大小直接相关。然而现实是，由于标注资源的限制，无标注数据比标注数据容易获得。如何借助少量的微表情标注样本以提升微表情自动识别的效果是一个值得思考的问题。

发明内容

针对现有技术的不足，本发明提供了一种基于主动迁移学习的微表情识别方法。

本发明根据宏表情和微表情之间的语义相关性，从宏表情所在的域(源域)学习有用的知识，帮助在微表情域(目标域)选择高质量的样本，被人工标注后加入到训练集中，训练更为有效的分类器，以提高微表情识别的效果。

本发明结合监督学习和半监督学习中广泛关注的主动学习和迁移学习，一方面，利用宏表情和微表情之间存在的内在联系，迁移宏表情域的样本分布信息，以增加微表情域的监督信息，另一方面，与被动地等待接受标注不同，我们从微表情候选集(通常被称为主动池)中挑选携带大量信息的微表情样本，然后交由人工进行标注。挑选出的样本是候选集的一个“最优”子集，因此，等量标注后能训练出更好的分类模型。

本发明的技术方案如下：

一种基于主动迁移学习的微表情识别方法，包括：

(1)宏表情、微表情特征提取；

(2)微表情主动迁移学习问题的建立与求解；

(3)微表情识别。

根据本发明优选的，所述步骤(2)，微表情主动迁移学习问题的建立与求解，包括：

A、定义微表情主动迁移学习的问题：

令为宏表情域(源域)样本特征空间，d_s为源域特征维数，任意宏表情域样本特征

令为微表情域(目标域)样本特征空间，d_t为目标域特征维数，任意微表情样本特征

在宏表情域标注一个训练数据集且是的真实类标签；