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！

龙图腾网获悉西安理工大学申请的专利基于光流特征的微表情识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115937936B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211509095.0，技术领域涉及：G06V40/16；该发明授权基于光流特征的微表情识别方法是由赵明华;董爽爽;都双丽;胡静;石程;吕志勇;李鹏;尤珍臻;王理设计研发完成，并于2022-11-29向国家知识产权局提交的专利申请。

本基于光流特征的微表情识别方法在说明书摘要公布了：本发明公开了一种基于光流特征的微表情识别方法，首先选取微表情数据集：CASME、CASMEⅡ和CASME2，并将三个数据集中的所有视频帧序列的情绪分别映射到“Negative”、“Positive”和“Surprise”三个类别中；对所选数据集的所有视频帧序列进行预处理，得到分辨率为128×128的视频帧序列；然后采用TV‑L1能量泛函提取视频帧序列的光流特征，并将光流特征通过通道叠加的方式拼接起来作为神经网络RSCANet的输入；最后利用神经网络RSCANet提取微表情特征并得到分类结果。本发明解决了现有技术中存在的由于微表情自身特点而导致的提取视频帧中人脸的细微运动变化困难的问题。

本发明授权基于光流特征的微表情识别方法在权利要求书中公布了：1.基于光流特征的微表情识别方法，其特征在于，具体按照以下步骤实施： 步骤1、选取微表情数据集：CASME、CASMEⅡ和CASME2，并将三个数据集中的所有视频帧序列的情绪分别映射到“Negative”、“Positive”和“Surprise”三个类别中； 步骤2、对所选数据集的所有视频帧序列进行预处理，得到分辨率为128×128的视频帧序列； 步骤3、采用TV-L1能量泛函提取步骤2得到的视频帧序列的光流特征，并将光流特征通过通道叠加的方式拼接起来作为神经网络RSCANet的输入； 步骤4、利用神经网络RSCANet提取微表情特征并得到分类结果； 所述步骤4具体如下： 步骤4.1、构建RSCANet网络，RSCANet网络的具体结构为：第一层是一个二维卷积Conv1，用以提取步骤3得到的输入的浅层特征；在Conv1后面连接两个残差收缩模块RSBlock1和RSBlock2，以增强神经网络的抗噪能力；两个残差收缩模块后面添加了一个融合通道注意力机制的残差块ARBlock，残差块ARBlock由两个卷积层Conv1和Conv2、一个最大池化层MaxPool和一个通道注意力模块CABlock组成，用来帮助网络进一步提取包含有用信息的通道；最后，利用全连接FC层完成微表情的情绪分类； 步骤4.2、软阈值化公式表示为： 其中，x表示输入，y表示输出； 步骤4.3、在两个残差收缩模块后面添加一个融合通道注意力机制的残差块帮助网络提取包含有用信息的通道，通道注意力模块CABlock表示为： 其中，平均池化操作AvgPool将每个像素视为同等重要，并且保留更高级别的信息；最大池化操作MaxPool用于突出主要特征，同时消除冗余；MLP表示具有一个隐含层的多层感知器；Sigmoid函数用来将输出归一化到0和1之间； 步骤4.4、利用全连接FC层进行微表情的情绪分类，使用的性能评价指标是UF1和UAR，UF1表示为： 其中， UAR表示为： 上述公式7到公式10中，C是所划分的情绪类别数，i表示第i个视频帧序列，j表示第j次实验，Pi表示第i个视频帧序列的精确度，Ri表示第i个视频帧序列的召回率，表示第j次实验中第i个视频帧序列的情绪实际为“Positive”预测也是“Positive”，表示第j次实验中第i个视频帧序列的情绪实际为“Positive”预测为“Negative”，表示第j次实验中第i个视频帧序列的情绪实际为“Negative”预测为“Positive”； UAR和UF1的值代表最终的分类性能，当UAR和UF1同时增大时，说明整个微表情识别的性能提升了；当UAR和UF1不变时，说明整个微表情识别的性能没有发生变化；当UAR或UF1减小时，说明整个微表情识别的性能降低了。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。