基于改进布谷鸟算法的微表情识别方法与流程

本发明涉及微表情分类识别技术，尤其涉及一种基于改进布谷鸟算法的微表情识别方法。

背景技术：

1、微表情是一种瞬间闪现的面部表情，在时间与空间尺度上都极为细微的脸部动作，可以揭示人的真实情感。微表情也可以反映心理状态，微表情识别可以用于进行心理问题的风险等级的研判，进行心理健康评估。

2、传统微表情识别方法一般基于手工特征，如局部二值模式、光流直方图、梯度直方图等，以此实现微表情分析，但是这些方法过分依赖先验知识，且提取的信息大多浮于表面，缺乏表征微表情的抽象特征。

3、在微表情识别这一领域，较为主流的分类器在模型参数量与识别准确率这两个指标上不能取得较好的平衡。识别准确率较好的模型，其参数量过大，以至于难以在小型设备上进行部署；而轻量级的模型没有较好的识别效果。微表情识别这一领域发展时间较短，技术积累不足，这使得在微表情识别这一领域中引入较为先进的算法成为一个相当迫切的课题。

技术实现思路

1、为解决现有技术中存在的不足，本发明的目的在于，提供一种基于改进布谷鸟算法的微表情识别方法。

2、为实现本发明的目的，本发明所采用的技术方案是：

3、一种基于改进布谷鸟算法的微表情识别方法，包括步骤：

4、（1）采用摄像头设备实时采集图像；

5、（2）采用卷积神经网络人脸识别技术对摄像头采集的图像进行人脸区域的识别，得到人脸图像；

6、（3）进行人脸图像预处理；

7、（4）对预处理之后的人脸图像进行图像特征提取；

8、（5）特征提取之后面部特征向量集送入基于改进布谷鸟算法的深度学习分类器，进行微表情分类识别。

9、进一步地，步骤（2）还包括，对人脸图像进行人脸相似度匹配以确定身份。

10、进一步地，步骤（5）中，基于改进布谷鸟算法的深度学习分类器，具体设置为，

11、对待优化输入特征向量进行初始种群的生成，并设置目标优化函数为图片分类的准确率，然后设置最大迭代次数或提前终止条件，在达到最大迭代次数或终止条件时，输出最优特征子集和模型参数并进行应用，在没有达到时，采用基于改进布谷鸟算法的反馈优化方法进行反馈优化。

12、进一步地，基于改进布谷鸟算法的深度学习分类器，还包括对面部特征向量进行编码设置，对深度学习分类模型的参数编码设置参数边界。

13、进一步地，基于改进布谷鸟算法的反馈优化方法，包括面部特征向量子集的选择采用二进制方法进行特殊转化处理；整数值的处理为设置整数类型的边界，对连续值进行四舍五入获取最近的值。

14、进一步地，所述方法还包括，对人脸图像进行分类得到7维的情绪向量，包括愤怒、厌恶、恐惧、兴奋、平静、沮丧和惊讶，并采用最邻近算法对人脸情绪分类预测按时间进行归集以检测情绪上的异常点。

15、进一步地，采用最邻近算法检测情绪异常，包括步骤：对采集的人脸图像进行分类，形成7维的情绪向量，并利用深度学习分类器的输出层进行归一化以计算每种情绪向量的概率值；按每小时对每个人采集的人脸图像进行归集，从7个维度分别计算情绪向量概率值的平均值，表示该小时内的个体的情绪向量；以当前小时归集数据对每个人前n天的归集数据进行向量距离计算；按距离递增顺序排序，并选择与该小时内的个体的情绪向量最近的k个情绪向量，并确定k个点为异常点的分类频率；返回距离最近的前k个点出现频率最高的分类作为当前点的异常预测分类。

16、进一步地，所述方法还包括，对情绪异常点进行识别后，对风险等级进行界定，识别情绪波动较大的个体。

17、进一步地，将7种情绪向量分为积极情绪和消极情绪；对每种情绪向量和过去一周的情绪向量进行3sigma检测；如果某种消极情绪向量大于一周情绪向量平均值加上3个一周情绪向量序列的标准差值，则风险等级加1，如果某种积极情绪向量小于一周情绪向量平均值减去3个一周情绪向量序列的标准差值，则风险等级减1。

18、本发明的有益效果在于，与现有技术相比，本发明利用摄像头无接触采集人脸图像并提取人脸特征，采用改进布谷鸟算法对深度学习模型参数进行优化，获取性能较优的模型用于实时监控，最后采用最邻近算法用于情绪异常点检测并按情绪分量进行心理问题的风险等级的研判，利用人工智能技术科学合理的进行心理健康评估。

19、本发明采用结合面部特征集合与深度学习模型超参数的联合优化策略，旨在全面提升模型超参数与面部特征集合的协同效能。通过精心设计的优化框架，选取最佳的特征子集与模型超参数配置，从而有效突破微表情分类准确率的性能限制。

技术特征：

1.一种基于改进布谷鸟算法的微表情识别方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于改进布谷鸟算法的微表情识别方法，其特征在于，步骤（2）还包括，对人脸图像进行人脸相似度匹配以确定身份。

3.根据权利要求1所述的基于改进布谷鸟算法的微表情识别方法，其特征在于，步骤（5）中，基于改进布谷鸟算法的深度学习分类器，具体设置为，

4.根据权利要求3所述的基于改进布谷鸟算法的微表情识别方法，其特征在于，基于改进布谷鸟算法的深度学习分类器，还包括对面部特征向量进行编码设置，对深度学习分类模型的参数编码设置参数边界。

5.根据权利要求3所述的基于改进布谷鸟算法的微表情识别方法，其特征在于，基于改进布谷鸟算法的反馈优化方法，包括面部特征向量子集的选择采用二进制方法进行特殊转化处理；整数值的处理为设置整数类型的边界，对连续值进行四舍五入获取最近的值。

6.根据权利要求1所述的基于改进布谷鸟算法的微表情识别方法，其特征在于，所述方法还包括，对人脸图像进行分类得到7维的情绪向量，包括愤怒、厌恶、恐惧、兴奋、平静、沮丧和惊讶，并采用最邻近算法对人脸情绪分类预测按时间进行归集以检测情绪上的异常点。

7.根据权利要求6所述的基于改进布谷鸟算法的微表情识别方法，其特征在于，采用最邻近算法检测情绪异常，包括步骤：对采集的人脸图像进行分类，形成7维的情绪向量，并利用深度学习分类器的输出层进行归一化以计算每种情绪向量的概率值；按每小时对每个人采集的人脸图像进行归集，从7个维度分别计算情绪向量概率值的平均值，表示该小时内的个体的情绪向量；以当前小时归集数据对每个人前n天的归集数据进行向量距离计算；按距离递增顺序排序，并选择与该小时内的个体的情绪向量最近的k个情绪向量，并确定k个点为异常点的分类频率；返回距离最近的前k个点出现频率最高的分类作为当前点的异常预测分类。

8.根据权利要求6所述的基于改进布谷鸟算法的微表情识别方法，其特征在于，所述方法还包括，对情绪异常点进行识别后，对风险等级进行界定，识别情绪波动较大的个体。

9.根据权利要求8所述的基于改进布谷鸟算法的微表情识别方法，其特征在于，将7种情绪向量分为积极情绪和消极情绪；对每种情绪向量和过去一周的情绪向量进行3sigma检测；如果某种消极情绪向量大于一周情绪向量平均值加上3个一周情绪向量序列的标准差值，则风险等级加1，如果某种积极情绪向量小于一周情绪向量平均值减去3个一周情绪向量序列的标准差值，则风险等级减1。

技术总结
本发明公开了一种基于改进布谷鸟算法的微表情识别方法，采用卷积神经网络人脸识别技术对摄像头采集的图像进行人脸区域的识别，进行人脸图像预处理，进行图像特征提取，面部特征向量集送入基于改进布谷鸟算法的深度学习分类器。分类器进行初始种群的生成，并设置目标优化函数为图片分类的准确率，在达到最大迭代次数或终止条件时，输出最优特征子集和模型参数并进行应用，在没有达到时，采用基于改进布谷鸟算法的反馈优化方法进行反馈优化。本发明采用改进布谷鸟算法对深度学习模型进行优化，获取性能较优的模型用于实时监控，最后采用最邻近算法用于情绪异常点检测并按情绪分量进行心理问题的风险等级的研判，科学合理的进行心理健康评估。

技术研发人员：全一,张子成,章斌,杨杰
受保护的技术使用者：南京云设智能科技有限公司
技术研发日：
技术公布日：2024/6/26