(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111512514.1 (22)申请日 2021.12.08 (71)申请人 宁波职业 技术学院 地址 315800 浙江省宁波市经济技 术开发 区庐山东路388号 (72)发明人 陶剑文　但雨芳　 (74)专利代理 机构 上海泰能知识产权代理事务 所(普通合伙) 3123 3 代理人 宋缨 (51)Int.Cl. G06V 20/40(2022.01) G06V 40/16(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06V 10/764(2022.01)G06V 10/774(2022.01) (54)发明名称 一种基于机器学习的面部抑郁表情识别方 法 (57)摘要 本发明涉及一种基于机器学习的面部抑郁 表情识别方法， 包括以下步骤： 获取目标视频集； 将所述目标视频集输入至领域适应抑郁识别模 型中得到最终抑郁评分， 其中， 所述领域适应抑 郁识别模型包括特征提取模块， 第一目标分类机 和第二目标分类机， 所述特征提取模块用于对所 述目标视频集进行特征提取， 获取表情特征和动 态特征， 所述第一目标分类机的输入为所述表情 特征， 所述第二目标分类机的输入为所述动态特 征， 所述第一目标分类机与源分类机之间构建领 域适应关系， 所述第一目标分类机和第二目标分 类机的预测数据集的平均值接近。 本发明能够精 确识别抑郁表情。 权利要求书1页 说明书8页 附图1页 CN 114419479 A 2022.04.29 CN 114419479 A 1.一种基于 机器学习的面部抑郁表情识别方法， 其特 征在于， 包括以下步骤： (1)获取目标视频集； (2)将所述目标视频集输入至领域适应抑郁识别模型中得到最终抑郁评分， 其中， 所述 领域适应抑郁识别模型包括特征提取模块， 第一 目标分类机和第二 目标分类机， 所述特征 提取模块用于对所述 目标视频集进行特征提取， 获取表情特征和动态特征， 所述第一 目标 分类机的输入为所述表情特征， 所述第二 目标分类机的输入为所述动态特征， 所述第一 目 标分类机与源分类机之 间构建领域适应关系， 所述第一目标分类机和 第二目标分类机的预 测数据集的平均值接 近； 所述领域 适应抑郁识别模型表示 为 其中， ΩLR(·)为鲁棒的潜在回归函数； Loss( ·)为最小平方损失函数， ft(·)为第二目标 分类机， f( ·)为第一目标分类机， Wt,Ws和 均为模型参数矩阵， 为动态特 征， Xt为目标视 频集， P为目标视频集与原视频集的潜在空间， F为伪类标签矩阵， Xs为源视频数据集， Ys为源 视频数据的标签矩阵， Ir为r维单位矩阵， In为n维单位矩阵， ΩDC(P)为第一正则化项， Ω(W) 为第二正则化项， W ＝[Ws,Wt]。 2.根据权利要求1所述的基于机器学习的面部抑郁表情识别方法， 其特征在于， 所述鲁 棒的潜在回归函数在设计时， 通过决策函数将视频 的低级表示和高级语义相关联， 通过约 束分布差异 最小化导致源视频集和目标视频集在学习到的潜在空间中相关， 利用范数最小 化发现最佳潜在空间并且学习从特征矩阵到其包含若干个不同类别的对应标签矩阵的线 性回归映射， 通过利用潜在空间中的源分类机将目标 数据与预测标签相关联。 3.根据权利要求2所述的基于机器学习的面部抑郁表情识别方法， 其特征在于， 所述鲁 棒的潜在回归函数 其中， μ为平衡系数， Yt表示目标视频数据的标签矩阵， U表示对角矩阵， 表示在目标视频 集Xt上定义的归一化图拉普拉斯矩阵， || ·||σ表示lσ范数， ||·||F表示Frobeniu s范数， tr (·)表示矩阵的迹 。 4.根据权利要求1所述的基于机器学习的面部抑郁表情识别方法， 其特征在于， 所述第 一正则化项利用对齐目标视频数据集和源视频数据集的方式实现所述第一目标分类机和 所述第二目标分类机的预测数据集的平均值相接 近。 5.根据权利要求1所述的基于机器学习的面部抑郁表情识别方法， 其特征在于， 所述第 二正则化项利用最小化W的跟踪 范数使秩达到 极大值的方式探索所述第一目标分类机与源 分类机之间的共享信息 。权　利　要　求　书 1/1 页 2 CN 114419479 A 2一种基于机 器学习的面部抑郁表情识别方 法 技术领域 [0001]本发明涉及情感识别技术领域， 特别是涉及一种基于机器学习的面部抑郁表情识 别方 法。 背景技术 [0002]为了尽早地发现有抑郁倾向的病人， 检测他们的情绪是很有用的。 人类的情绪可 以通 过多种方式识别， 如心电图、 脑电图、 言语、 面部表情等。 在各种情绪信号中， 生理信号   被广泛应用于情绪识别。 [0003]传统机器学习在用于基于视觉的ADD的场景中， 需要足够的已标记的训练数据来 学 习分类模型从而用于评估未标记测试数据集中的面部图像， 该测试数据集被假定为与 训练 数据集具有相同的分布。 虽然监督学习技术已经对基于机器学习的抑郁识别做出了 巨大贡 献， 但是它们的性能通常受到可用已标记训练数据数量的 限制， 而标记大量数据是 昂贵且 耗时的。 此外， 现有的ADD通常通过为每个实验对象量身定制分类器， 以实现精确的 抑 郁识别。 而从多个实验对 象采集的有限数据去训练特定某个实验对 象的分类器通常将 导致 较差的准确性， 这是 由于不同的实验对 象和拍摄环境会影响分类效果， 包括姿势， 规 模， 照明， 遮挡和个 体面部形状， 纹 理和行为的差异。 发明内容 [0004]本发明所要解决的技术问题是提供一种基于机器学习的面部抑郁表情识别方法， 能够 精确识别抑郁表情。 [0005]本发明解决其技术问题所采用的技术方案是： 提供一种基于机器学习的面部抑郁 表情 识别方法， 包括以下步骤： [0006](1)获取目标视频集； [0007](2)将所述目标视频集输入至领域适应抑郁识别模型中得到最终抑郁评分， 其中，   所述领域适应抑郁识别模型包括特征提取模块， 第一 目标分类机和第二 目标分类机， 所述   特征提取模块用于对所述 目标视频集进行特征提取， 获取表情特征和动态特征， 所述第一   目标分类机的输入为所述表情特征， 所述第二 目标分类机的输入为所述动态特征， 所述第   一目标分类机与源分类机之 间构建领域适应关系， 所述第一目标分类机和 第二目标分类机   的 预 测 数 据 集 的 平 均 值 接 近 ；所 述 领 域 适 应 抑 郁 识 别 模 型 表 示 为   其中， ΩLR(·)为鲁棒的潜在回归函数； Loss( ·)为最小平方损失函数， ft(·)为第二目标 分类机， f(·)为第一目标分类机， Wt,Ws和 均为模型参数矩阵， 为动态特征， Xt为目标 视频 集， P为目标视频集与原视频集的潜在空间， F为伪类标签矩阵， Xs为源视频数据集， Ys说　明　书 1/8 页 3 CN 114419479 A 3