[发明专利]一种面部动作单元的识别方法、系统

说明书

本发明涉及一种面部动作单元的识别方法、系统，基于历史目标面部特征点、历史目标空间形态、历史空间特征表征参数、历史空间特征表征参数的表征指标变化范围及所述历史空间特征表征参数的权重关系构建面部动作单元识别模型，进而进行面部动作单元的运动的识别。面部动作单元的识别能够识别面部表情的细微变化，结果可以用于进行面部微表情的分析以及面部表情的分析。本发明所涉及的方法对样本库样本质量和数量要求较低，计算速度快，调参时间短，操作简单，无需大量成本投入且能保证高效的准确度，并且对目标面部动作单元(AU)识别能力强，无论其单独发生或组合发生，均可识别，且应用简单。

技术领域

本发明涉及面部动作单元识别，尤其涉及一种面部动作单元的识别方法、系统。

背景技术

面部动作编码系统(FACS)，是一种基于最初由瑞典解剖学家Carl-HermanHjortsj联开发的系统，通过面部外观对人类面部动作进行分类。后来由Paul Ekman和WallaceV.Friesen采用，并作了深入的研究，通过观察和生物反馈，描绘出不同的脸部肌肉动作和不同表情的对应关系，并于1978年出版。

面部动作编码系统(FACS)，根据人脸的解剖学特点，可将其划分成若干既相互独立又相互联系的动作单元(Action Units，AU)，这些面部动作单元的运动特征及其所控制的主要区域可以反映出面部表情。

目前，随着计算机技术和信息技术的发展，深度学习技术得到了广泛的应用。业内在AU识别方面，大多是收集大量AU样本，搭建卷积神经网络训练出AU特征识别模型，进而用来进行AU特征识别与分类，但该种方法对样本库样本质量和数量要求较高，调参时间长，且准确率不高。尤其是有些存在互斥关系或递进关系的AU，关系界定不清，很容易出现耦合，导致识别错误。此外，面部动作单元的肌肉的动作程度，也称AU强度，其幅值的大小也取决于被识别者的天生的相貌特征，不同相貌的人即使做同样的肌肉动作，所呈现的AU强度也可能不同，这势必会导致识别出的AU强度有所差异，因此有必要设置一个初始化环节用来均衡由于人的相貌所导致的差异。但是现有的AU识别算法鲜有该环节的设置，即会导致在识别初期便引入识别误差，进一步，导致后续任何基于面部动作单元(AU)所开展的工作，如表情识别、微表情识别、状态识别等环节识别失误的加剧。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种面部动作单元的识别方法、系统。

根据本发明的一个方面，提供了一种面部动作单元的识别方法，包括以下步骤：

将待识别脸部图像的面部特征点(Lmks)输入面部动作单元(AU)识别模型用于识别待识别脸部图像的运动单元(AU)，其中，所述面部动作单元(AU)识别模型的构建过程包括：

基于面部行为编码系统(FACS)对面部动作单元(AU)的特征描述，分析历史目标面部动作单元(AU)的运动特征，对其运动规则进行提取，进行所述面部动作单元(AU)的运动表达确定；

根据历史目标动作单元(AU)的运动状态从面部特征点集合中选取出与其关联的历史目标面部特征点(Lmks)；

根据所述历史目标面部特征点(Lmks)的空间关系确认通过所述历史目标面部特征点(Lmks)形成的历史目标空间形态，并根据历史目标空间形态配置用于识别历史目标运动单元的历史空间特征表征参数；

利用大数据决策分析，确定历史目标面部动作单元(AU)历史空间特征表征参数的表征指标变化范围及历史空间特征表征参数的权重关系；

基于历史目标面部特征点(Lmks)、历史目标空间形态、历史空间特征表征参数、历史空间特征表征参数的表征指标变化范围及所述历史空间特征表征参数的权重关系构建面部动作单元识别模型。

进一步的，所述的面部动作单元的识别方法，还包括：

采集脸部图像或历史脸部图像；