买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京邮电大学

摘要：本发明公开了一种基于特征解耦的微表情识别方法，该方法包括以下步骤：构建并训练普通表情‑身份特征解耦网络，将训练好的普通表情‑身份特征解耦网络作为微表情‑身份特征解耦网络的初始模型，使用人脸微表情图像样本微调该模型，得到微表情‑身份特征解耦网络；构建包含普通表情‑身份特征解耦网络、微表情‑身份特征解耦网络的对抗网络模型，通过对抗学习方法，使用相同表情类别的人脸普通表情图像样本和人脸微表情图像样本训练对抗网络模型；将训练好的对抗网络模型中的微表情‑身份特征解耦网络作为最终的微表情识别模型。本发明可以使模型排除人脸身份特征干扰，更加关注微表情特征，从而提高微表情识别的准确率。

主权项：1.一种基于特征解耦的微表情识别方法，其特征在于，针对待识别人脸微表情图像，执行如下步骤S1-步骤S4，完成待识别人脸微表情图像中人脸微表情的识别：S1:采集不同人脸普通表情图像样本，以经过预处理的各人脸普通表情图像样本为输入，基于特征提取模块、表情重建模块、表情分类模块，以人脸普通表情图像样本对应的表情类别为输出，构建将各人脸普通表情图像样本的人脸表情特征和人脸身份特征分离开的普通表情-身份特征解耦网络，并采用不同人脸普通表情图像样本，结合预设对应的表情类别，对普通表情-身份特征解耦网络进行训练，获得训练好的普通表情-身份特征解耦网络；S2:采集不同人脸微表情图像样本，以经过预处理的各人脸微表情图像样本为输入，以各人脸微表情图像样本对应的表情类别为输出，以训练好的普通表情-身份特征解耦网络作为初始模型，采用迁移学习方法，构建微表情-身份特征解耦网络，并采用不同人脸微表情图像样本，结合预设对应的表情类别，对微表情-身份特征解耦网络进行训练，获得训练好的微表情-身份特征解耦网络；S3:基于步骤S1所获得的普通表情-身份特征解耦网络、步骤S2所获得的微表情-身份特征解耦网络，并结合鉴别器，采用对抗学习方法，获得对抗网络模型，并采用相同表情类别的人脸普通表情图像样本和人脸微表情图像样本，对对抗网络模型进行训练，获得训练好的对抗网络模型；步骤S3的具体步骤如下：S31:将属于相同表情类别的一个人脸普通表情图像样本yc、以及一个人脸微表情图像样本xc分别输入至步骤S1所获得的普通表情-身份特征解耦网络、以及步骤S2所获得的微表情-身份特征解耦网络中，分别获得人脸普通表情图像样本yc所对应的人脸普通表情特征以及人脸微表情图像样本xc所对应的人脸微表情特征S32:固定步骤S1训练好的普通表情-身份特征解耦网络的参数、以及步骤S2训练好的微表情-身份特征解耦网络的参数，将普通表情-身份特征解耦网络输出的人脸普通表情特征，以及微表情-身份特征解耦网络输出的人脸微表情特征输入鉴别器，进行对抗学习，其中鉴别器的损失函数LD如下式： 式中，为预测的人脸普通表情特征的表情类别分布，为预测的人脸微表情特征的表情类别分布；其中微表情-身份特征解耦网络的对抗损失Ladv如下式： S33：人脸微表情图像样本xc输入至微表情-身份特征解耦网络中，微表情-身份特征解耦网络的表情分类模块对人脸微表情图像样本xc进行分类的交叉熵L1损失如下式： 式中，y为表情类别标签，L为表情类别标签总数，为预测的人脸微表情特征的表情类别分布；S34：针对普通表情-身份特征解耦网络、微表情-身份特征解耦网络、鉴别器所构建的对抗网络模型，基于正则化法，引入损失不等正则化LLIR如下式：LLIR＝max{L2-L1，0}式中，L2为人脸普通表情图像样本yc分类的交叉熵损失；S35：计算对抗网络模型的总体损失函数LSUM如下式：LSUM＝L1+m1Ladv+m2LLIR式中，m1、m2为超参数；S36：使用属于相同表情类别的人脸普通表情图像样本、人脸微表情图像样本对抗网络模型进行训练，获得训练好的对抗网络模型；S4：以步骤S3所获得的对抗网络模型中的微表情-身份特征解耦网络作为微表情识别模型，针对待识别人脸图像，完成待识别人脸图像中人脸微表情的识别。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于特征解耦的微表情识别方法