[发明专利]一种基于语音字典稀疏迁移学习的微表情识别方法有效
申请号: | 201710346931.0 | 申请日: | 2017-05-16 |
公开(公告)号: | CN106971180B | 公开(公告)日: | 2019-05-07 |
发明(设计)人: | 贲晛烨;冯云聪;韩民;朱雪娜;任亿;赵子君 | 申请(专利权)人: | 山东大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/46;G06K9/62;G10L17/02;G10L17/04;G10L17/14 |
代理公司: | 济南金迪知识产权代理有限公司 37219 | 代理人: | 吕利敏 |
地址: | 250199 山*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 语音 字典 稀疏 迁移 学习 表情 识别 方法 | ||
1.一种基于语音字典稀疏迁移学习的微表情识别方法,其特征在于,该识别方法包括训练阶段和测试阶段;
所述训练阶段包括如下步骤:
首先,对语音域和微表情域提取特征;
然后,对提取完的特征数据进行分组,语音域和微表情域的特征集均分成训练集和测试集;
接着,使得语音域和微表情域的数据投影到一个公共空间,在公共空间中同时求出语音域的稀疏字典与微表情的稀疏字典,对所述语音域的稀疏字典和微表情域的稀疏字典进行彼此的重构;
之后,经过一定次数的迭代和优化,分别得到语音域的字典和微表情域的字典,语音域的投影矩阵,微表情域的投影矩阵,语音域的重构矩阵,微表情域的重构矩阵,语音域的稀疏系数表示矩阵,微表情域的稀疏系数表示矩阵;
所述测试阶段包括如下步骤:
对于给定语音域和微表情域的测试集,首先通过在线训练得到的投影矩阵对两域特征集进行投影;
然后,利用训练得到的语音域的字典和微表情域的字典,对投影到公共空间的两个域特征进行稀疏重构,得到两个域各自的稀疏系数表示矩阵;
最后,通过机器识别经典算法K近邻分类器KNN对两个域的稀疏系数表示矩阵进行分类识别。
2.根据权利要求1所述的一种基于语音字典稀疏迁移学习的微表情识别方法,其特征在于,所述K近邻分类器KNN是指基于欧氏距离的最近邻分类器,其分类的方法包括步骤如下:
首先,对语音域和微表情域进行特征提取,得到两个特征集合,其中分别代表语音域和微表情域中的一个样本的特征;mx,my分别代表语音域和微表情域的特征维数,nx,ny分别代表语音域和微表情域的样本数量;
然后,训练寻找一对投影矩阵WX,WY,将两个域的特征投影到公共空间内,并通过字典进行稀疏表示,即:
其中,代表的是语音域的投影矩阵,代表的是微表情域的投影矩阵,代表的是语音域的字典,代表微表情域的字典;分别代表语音域和微表情域的稀疏系数表示矩阵;d代表两个域投影到公共空间的投影维度;px,py分别代表语音域和微表情域的字典大小;分别代表语音域和微表情域的单位矩阵;
接着,通过重构减小不同域之间的数据差异,表示形式如下:
其中,分别代表重构语音集和微表情集的字典重构矩阵,||dxi||2≤1,||dyj||2≤1,||VX||1≤τ,||VY||1≤τ,τ=0.001,dxi,dyj分别代表DX,DY中的列向量;
最后,基于语音字典稀疏迁移学习的微表情识别方法的目标函数如下:
其中,||Sx||1≤σ,||Sy||1≤σ,τ=0.001,σ=0.001;通过目标函数的求解,得到最终的WX,WY,DX,DY。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东大学,未经山东大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710346931.0/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种数据匹配方法及系统
- 下一篇:一种显示面板及显示装置