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！

龙图腾网恭喜中国石油大学(华东)申请的专利基于元学习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：CN113591660B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202110840137.8，技术领域涉及：G06V40/16；该发明授权基于元学习的微表情识别方法是由宫文娟;张悦设计研发完成，并于2021-07-24向国家知识产权局提交的专利申请。

本基于元学习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元学习的微表情识别方法，包括数据预处理；微表情特征提取和融合；模型预训练；微表情识别。提出的方法是基于元学习的，适用于小样本学习，将光流和帧差的融合特征分别输入用宏表情预训练和微表情预训练的元学习模型中，对得到的特征向量拼接进行分类，从而大幅度提高了模型识别的泛化性能，提高了微表情的识别效果。

本发明授权基于元学习的微表情识别方法在权利要求书中公布了：1.基于元学习的微表情识别方法，其特征在于按照以下步骤进行：Step1.对微表情数据集进行预处理，微表情数据集包含若干微表情视频片段，采用面部配准对齐人脸特征点；面部配准提取人脸特征点，并将提取的特征点从新的图像映射到模板中；Step2.计算微表情序列起始帧和顶点帧间的光流征和帧差特征，并将两种特征进行融合，光流特征的计算过程如下所示：光流特征使用GunnarFarneback算法进行计算，提取了起始帧和顶点帧间的稠密光流，得到x、y分量的光流值并计算向量模，将光流值除以其最大值使其范围在0到1之间；分别归一化的x分量、y分量和向量模大小构成了光流特征表示的三个通道；Step3.对框架的特征提取模型进行优化，特征提取模型采用Resnet-18模型作为骨干网，将损失设为交叉熵损失；分别利用宏表情数据集和微表情数据集对模型参数进行优化，得到两个不同的模型，去除全连接层后，将网络结构和在不同数据集上优化后的模型参数作为两个不同的特征提取器；Step4.将微表情数据集按照元学习定义进行划分，其特征分别输入到用宏表情数据集和微表情数据集预训练过的元融合学习网络中，得到两个不同的特征向量，将两个特征向量拼接以进行微表情分类；其中按照元学习定义进行数据划分方式如下：将数据集划分为训练样本和测试样本，每一部分都由任务组成，这些任务有自己的训练集和测试集，为了不混淆，将任务中的训练集称为supportset，测试集称为queryset，N-wayK-shot是少样本学习中常见的实验设置，N-way指训练数据中有N个类别，K-shot指每个类别下有K个被标记数据；使用LOSO这一验证方式，即每次将一名目标的所有视频作为验证集，模型中不包含该目标的微表情分布；将验证集的单一目标视作新类，而将除该目标外的其他所有目标集合视作基类，依次进行训练，其中测试样本中的queryset由新类构成，而supportset从基类中获取；构建元融合学习模块方法如下：元融合学习模块解决了帧差和光流融合特征的N-wayK-shot分类问题，分别在预训练好的特征提取器的基础上，将经过预处理得到的微表情数据特征分成多个任务，在每个任务中对支持集用分类器编码得到特征向量；在元训练阶段，每个类的平均特征表示用该类全部样本的特征平均值计算： ；其中，平均特征作为c类的质心，S作为支持集，表示类别c的少样本集合，利用余弦相似度计算测试集编码得到的向量和质心间的余弦距离，测试集样本通过余弦距离的softmax概率进行分类： ；N-wayK-shot分类问题的损失函数使用上述测试集的预测分布和真实分布计算得到的交叉熵损失： ；其中表示预测分布，C是类别数，表示第i个数据样本的真实分布。

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中国石油大学(华东)，其通讯地址为：266580 山东省青岛市黄岛区长江西路66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”。