[发明专利]一种基于对偶图正则化的联合非负矩阵二分解的微表情识别方法

权利要求书

1.一种基于对偶图正则化的联合非负矩阵二分解的微表情识别方法，其特征在于，包括：

1)准备训练样本，训练样本包括宏表情样本和微表情样本，获取宏表情样本，对于宏表情提取特征形成宏表情数据矩阵其中d_x代表宏表情特征维度，N_x代表宏表情样本个数；获取微表情样本，对于微表情提取特征形成微表情数据矩阵其中d_y代表微表情特征维度，N_y代表微表情样本个数；

2)通过特征选择和数据标准化将宏表情数据矩阵和微表情数据矩阵进行数据对齐后，将两者重组为数据矩阵

3)将重组的数据矩阵Z进行基于对偶图正则化的联合非负矩阵分解，得到分解后的系数矩阵和基矩阵，分解后的系数矩阵在基矩阵基础上可以重构原始数据矩阵Z；

所述基于对偶图正则化的联合非负矩阵分解的数学描述如下：

其中，α，β，λ是三个平衡系数，用于平衡基础非负矩阵分解项以及各个正则化项间的关系；U为基矩阵，V为系数矩阵，U∈R^d×k，V∈R^k×N,N＝N_x+N_y，d是为特征选择后的统一的特征维度，k指矩阵分解的维数，tr(VLV^T)为对偶图正则化项，tr(VMV^T)为最大均值差异项，最小化||U||_F约束能够控制非负矩阵分解基矩阵的复杂程度；

所述步骤3)中式(1)表示将原数据经对偶图正则化分解形成基矩阵U和系数矩阵V，由于在矩阵分解后的基矩阵U基础上系数矩阵V能够拟合原始数据，即映射到以U中的向量张成的低维空间中的坐标，即实例在低维特征空间中的新表示，因此，对于分解后的系数矩阵引入对偶图正则化约束tr(VLV^T)，一方面，利用域间相似关系来保留源域宏表情和目标域微表情的共同几何结构，另一方面，利用域内相似关系来保留每个域内的几何结构，两种图关系定义如下：

域间相似关系：对于跨域数据，假设如果源域宏表情数据样本x_i在目标域微表情数据样本y_j的k个最近邻中，或者目标域微表情数据样本y_i在源域宏表情数据样本x_j的k个最近邻之间，那么他们均存在相似关系，并需要在基矩阵基础上生成系数矩阵表示保留这种关系，因此，令W^st和W^ts为域间图相似度矩阵，定义如下：

域内相似关系：对于宏表情和微表情两个域内部，同样具有近邻关系的数据在由原始数据新分解出来的系数矩阵表示中应彼此接近；同样地，通过构造KNN相似度图来保留局部结构信息，并将其命名为域内图关系，源域图相似矩阵W^s和目标域图相似矩阵W^t定义如下：

其中σ为一个约束因子，此处取1；

根据两种图相似性关系，将所有不同的图关系整合成源域宏表情和目标域微表情最终的对偶图；得到总体相似度矩阵W定义如下：

其中，η＞0是用于平衡域间图相似关系和域内图相似关系的影响的参数；将公式(6)应用于系数矩阵，可以将公式(6)定义如下：

其中L＝D-W为图拉普拉斯矩阵，D表示对角矩阵，其中第i个对角元素通过D_ii＝∑_jW_ij计算；其中最小化对偶图正则化项；

4)根据变量相关更新规则经过多次迭代，求得宏微表情联合非负矩阵分解训练基矩阵U和训练系数矩阵V；

准备测试样本，测试样本为微表情样本，对测试微表情提取特征形成测试微表情数据矩阵，根据训练基矩阵求取测试微表情样本的微表情测试系数矩阵V^Ttest；

5)通过基于欧氏距离的最近邻分类器对所述训练系数矩阵和微表情测试系数矩阵进行分类识别，将训练系数矩阵对应的训练样本的分类标签赋给测试样本，完成对测试样本微表情的识别。

2.根据权利要求1所述的基于对偶图正则化的联合非负矩阵二分解的微表情识别方法，其特征在于，所述步骤1)中，对宏表情提取的特征为LBP特征；对于微表情提取的特征为LBPTOP特征和MDMO特征两种微表情特征；步骤4)中，对测试微表情提取LBPTOP特征和MDMO特征两种微表情特征。