-
Patent Agency Ranking
公开(公告)号：CN105930878B
公开(公告)日：2020-01-14
申请号：CN201610473851.7
申请日：2016-06-24
Applicant: 山东大学
Abstract: 一种基于差分切片能量图和稀疏编码的微表情识别方法，包括构建差分切片能量图和稀疏编码分类；所述构建差分能量图方法为：将已经规范化的微表情视频图像序列相邻帧进行减除，形成微表情特征的差分切片；统计所述差分切片能量，构建成差分切片能量图；所述稀疏编码分类中，所述稀疏编码采用SRC模型或者RSC模型。本发明所提供的方法较MPCA、GTDA、DTSA、以及DSEI+Gabor等方法具有更高的识别率，更低的方差，且对不同类型摄像机拍摄的微表情序列鲁棒性更强。本发明采用差分切片能量图刻画微表情细节，并使用稀疏编码进行分类，不仅能够更好的挖掘出微表情的特征信息，而且大大提高了分类性能。
-
公开(公告)号：CN108629314B
公开(公告)日：2021-08-10
申请号：CN201810426006.3
申请日：2018-05-07
Applicant: 山东大学
Abstract: 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。
-
公开(公告)号：CN108629314A
公开(公告)日：2018-10-09
申请号：CN201810426006.3
申请日：2018-05-07
Applicant: 山东大学
Abstract: 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。
-
公开(公告)号：CN106096537A
公开(公告)日：2016-11-09
申请号：CN201610402404.2
申请日：2016-06-06
Applicant: 山东大学
IPC: G06K9/00
CPC classification number: G06K9/00302 , G06K9/00288
Abstract: 本发明提供了一种基于多尺度采样的微表情自动识别方法，包括微表情图像序列预处理、微表情特征提取和微表情识别。本发明为减小人脸自然位移和无效区域对微表情识别的影响，本发明采用了一种人脸自动对齐和面部区域有效分块的方法，提高了识别结果的鲁棒性；针对已有特征描述子的不足，本发明提出了一种新颖的微表情特征描述算子CPTOP，CPTOP算子具有和LBP‑TOP算子等数量的采样点数，但使用了多尺度采样的策略，在同等时间复杂度和空间复杂度下获得了更好的描述信息。
-
公开(公告)号：CN105930878A
公开(公告)日：2016-09-07
申请号：CN201610473851.7
申请日：2016-06-24
Applicant: 山东大学
Abstract: 一种基于差分切片能量图和稀疏编码的微表情识别方法，包括构建差分切片能量图和稀疏编码分类；所述构建差分能量图方法为：将已经规范化的微表情视频图像序列相邻帧进行减除，形成微表情特征的差分切片；统计所述差分切片能量，构建成差分切片能量图；所述稀疏编码分类中，所述稀疏编码采用SRC模型或者RSC模型。本发明所提供的方法较MPCA、GTDA、DTSA、以及DSEI+Gabor等方法具有更高的识别率，更低的方差，且对不同类型摄像机拍摄的微表情序列鲁棒性更强。本发明采用差分切片能量图刻画微表情细节，并使用稀疏编码稀疏进行分类，不仅能够更好的挖掘出微表情的特征信息，而且大大提高了分类性能。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
