一种可疑对象筛选方法、装置、介质及设备

1.本发明涉及微表情识别技术领域，特别涉及一种可疑对象筛选方法、装置、介质及设备。


背景技术：

2.微表情是人类内在的情感信息加工过程，它无法伪造，不受意识控制，是识别谎言的有效线索，可以被广泛的应用于安全、司法、临床等领域。但微表情持续时间短且难以识别。即使是受过良好训练的人，进行微表情识别时，准确率仅在40％左右。因此，研发微表情识别系统，实现计算机自动识别微表情，对微表情的机理研究和实际应用都是非常必要的。
3.目前，以微表情自动识别技术为补充的可疑对象筛选技术成为了智能监管服务急待补充的组成元素。例如：目前部分重点交通站点已开始启动旅检智能通道，将微表情自动识别技术应用于旅检智能通道，有助于在人群中快速甄别风险对象。具体实现可用异常表情捕捉设备实时对其微表情特征跟踪锁定可疑对象位置。
4.但是在现实中，由于公共场所的复杂性，对可疑对象的微表情检测和识别又可选择的余地，如高兴、悲伤、厌恶、愤怒等情绪，其检测和识别对可疑目标的筛选并无多大意义，而且影响微表情检测识别的实时性和准确性。所以，强化对恐惧、压抑、轻蔑等异常微表情的处理对微表情识别实际应用于可疑对象筛选具有重要作用。而目前微表情识别方法多是用实验室微表情数据样本进行训练和测试(例如casme系列微表情数据集)，没有充分考虑到实际应用场景下自然微表情识别面临诸多问题，不能够获得较为满意的效果。


技术实现要素：

5.本发明提供了一种可疑对象筛选方法、装置、介质及设备，其目的是为了实现在智能旅检的无感通关条件下，提高站内工作人员筛选可疑对象的实时性和准确性。
6.为了达到上述目的，本发明提供了一种可疑对象筛选方法，包括：
7.步骤1，获取重点交通站点黑名单中可疑对象的第一面部数据和包含压抑、恐惧、蔑视三种异常微表情的微表情样本，构建可疑对象异常微表情数据库；
8.步骤2，在可疑对象异常微表情数据库中，利用微表情样本的起始帧和顶点帧进行计算，得到光流特征，并将光流特征输入块划分卷积网络进行模型训练，得到异常微表情识别模型；
9.步骤3，对目标图像进行人脸区域估计和关键点特征提取，得到第二面部数据；
10.步骤4，将第二面部数据输入异常微表情识别模型进行异常微表情识别，得到识别结果，识别结果包含压抑、恐惧、蔑视三种中任意一种或多种异常微表情；
11.步骤5，根据识别结果确定可疑度，并根据可疑度筛选出可疑对象。
12.进一步来说，步骤1包括：
13.获取重点交通站点黑名单中多个可疑对象的第一面部数据；
14.在casme系列数据集中提取压抑、恐惧、蔑视三种异常微表情样本；
15.针对多个可疑对象中的每一个可疑对象，通过区域感知人脸交换技术，给每个可疑对象生成一套包含压抑、恐惧、蔑视三种异常微表情的样本，构建可疑对象异常微表情数据库。
16.进一步来说，步骤2包括：
17.在可疑对象异常微表情数据库中提取样本的起始帧和顶点帧；
18.对起始帧和顶点帧进行计算，得到四种光流特征；
19.针对四种光流特征中的每一种光流特征，将光流特征进行划分，得到多个子块；
20.将多个子块分别输入块划分卷积网络中进行模型训练，得到异常微表情识别模型。
21.进一步来说，步骤3包括：
22.获取目标图像；
23.在第一阶段特征提取中，采用二次机会区域生长方法对目标图像中的人脸区域进行估计，提取主要特征，代价函数如下：
[0024][0025]
其中，t0是评估的候选特征点，dn为平均交叉函数，用于累积掩模区域内的强度变化，dd为中心加权函数，用于计算被遮挡区域中心部分与边界部分的强度差，l是一个常数，l(p)表示p点的强度，v是单位阶跃函数；
[0026]
在第二阶段特征提取中提取目标图像的关键点特征，代价函数如下：
[0027][0028]
提取的主要特征和关键点特征组成第二面部数据。
[0029]
进一步来说，异常微表情识别模型包括：
[0030]
依次连接的聚合块、第一完全连接层、第二完全连接层和归一化指数函数；
[0031]
将第二面部数据输入至聚合块进行特征聚合后依次输入第一完全连接层、第二完全连接层和归一化指数函数进行微表情识别，输出识别结果，识别结果包含压抑、恐惧、蔑视三种中任意一种或多种异常微表情。
[0032]
进一步来说，步骤5包括：
[0033]
根据识别结果确定可疑度，计算公式如下：
[0034][0035]
其中，dos表示可疑度，表示表示恐惧的异常微表情，表示压抑的异常微表情，表示蔑视的异常微表情，e是一个常数，n是适配相关异常微表情的人脸运动单元au的总数。
[0036]
本发明还提供了一种可疑对象筛选装置，包括：
[0037]
获取模块，用于获取重点交通站点黑名单中可疑对象的第一面部数据和包含压抑、恐惧、蔑视三种异常微表情的微表情样本，构建可疑对象异常微表情数据库；
[0038]
训练模块，用于在可疑对象异常微表情数据库中，利用微表情样本的起始帧和顶
点帧进行计算，得到光流特征，并将光流特征输入块划分卷积网络进行模型训练，得到异常微表情识别模型；
[0039]
提取模块，用于对目标图像进行人脸区域估计和关键点特征提取，得到第二面部数据；
[0040]
识别模块，用于将第二面部数据输入异常微表情识别模型进行异常微表情识别，得到识别结果，识别结果包含压抑、恐惧、蔑视三种中任意一种或多种异常微表情；
[0041]
筛选模块，用于根据识别结果确定可疑度，并根据可疑度筛选出可疑对象。
[0042]
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现的可疑对象筛选方法。
[0043]
本发明还提供了一种可疑对象筛选设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现可疑对象筛选方法。
[0044]
本发明的上述方案有如下的有益效果：
[0045]
本发明通过获取重点交通站点黑名单中可疑对象的第一面部数据和包含压抑、恐惧、蔑视三种异常微表情的微表情样本，构建可疑对象异常微表情数据库，在可疑对象异常微表情数据库中，利用微表情样本的起始帧和顶点帧进行计算，得到光流特征，并将光流特征输入块划分卷积网络进行模型训练，得到异常微表情识别模型，将第二面部数据输入异常微表情识别模型进行异常微表情识别，得到识别结果，识别结果包含压抑、恐惧、蔑视三种中任意一种或多种异常微表情，根据识别结果确定可疑度，并根据可疑度筛选出可疑对象；实现了在智能旅检的无感通关条件下，提高了站内工作人员筛选可疑对象的实时性和准确性；同时对于大多数重要的机场、火车站等重点交通场所，在复杂人流环境下快速定位潜在的犯罪分子时，依然可发挥出优异的辅助辨别功能。
[0046]
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0047]
图1为本发明实施例的流程示意图；
[0048]
图2为本发明实施例中区域感知人脸交换技术的流程框图。
具体实施方式
[0049]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0051]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可
以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0052]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0053]
本发明针对现有的问题，提供了一种可疑对象筛选方法、装置、介质及设备。
[0054]
如图1所示，本发明的实施例提供了一种可疑对象筛选方法，包括：
[0055]
步骤1，获取重点交通站点黑名单中可疑对象的第一面部数据和包含压抑、恐惧、蔑视三种异常微表情的微表情样本，构建可疑对象异常微表情数据库；
[0056]
步骤2，在可疑对象异常微表情数据库中，利用微表情样本的起始帧和顶点帧进行计算，得到光流特征，并将光流特征输入块划分卷积网络进行模型训练，得到异常微表情识别模型；
[0057]
步骤3，对目标图像进行人脸区域估计和关键点特征提取，得到第二面部数据；
[0058]
步骤4，将第二面部数据输入异常微表情识别模型进行异常微表情识别，得到识别结果，识别结果包含压抑、恐惧、蔑视三种中任意一种或多种异常微表情；
[0059]
步骤5，根据识别结果确定可疑度，并根据可疑度筛选出可疑对象。
[0060]
在本发明实施例中，步骤1包括：
[0061]
将casme系列数据集中的压抑、恐惧、蔑视等异常微表情样本和重点交通站点黑名单可疑对象通过区域感知人脸交换技术(rafswap)转换成适用于智能旅检无感通关场景的专用数据库casme-soamedb。区域感知人脸交换技术(rafswap)由一个新颖的局部面部区域感知(local facial region-awar，fra)分支组成，通过引入转换器来有效的建模未对齐的跨尺度语义交互，从而增强本地身份相关特征，以及一个新颖的全局资源特征自适应分支(global source feature-adaptive，sfa)，如图2所示，以进一步补充全局身份相关的提示，从而生成身份一直的交换面孔。
[0062]
本发明实施例需要说明的是，重点交通站点包括但不限于港口码头、铁路客运站、汽车客运站、地铁、机场等需要智能旅检进行无感通关的场所。
[0063]
具体来说，首先获取重点交通站点黑名单中多个可疑对象的第一面部数据，并对第一面部数据做初步处理；
[0064]
然后在casme系列数据集中提取压抑、恐惧、蔑视三种异常微表情样本，并进行整理；
[0065]
最后针对多个可疑对象中的每一个可疑对象，通过区域感知人脸交换技术，给每个可疑对象生成一套包含压抑、恐惧、蔑视三种异常微表情的样本，构建一个新的专用于智能旅检无感识别场景的可疑对象异常微表情数据库casme-soamedb。
[0066]
具体来说，步骤2包括：
[0067]
在可疑对象异常微表情数据库中提取样本的起始帧和顶点帧；
[0068]
对起始帧和顶点帧进行计算，得到四种光流特征；
[0069]
针对四种光流特征中的每一种光流特征，将光流特征进行划分，得到多个子块；
[0070]
将多个子块分别输入块划分卷积网络中进行模型训练，得到异常微表情识别模型。
[0071]
在本发明实施例中，异常微表情识别模型的训练是采用基于顶点帧的块划分卷积网络，首先用光流特征提取方法在可疑对象异常微表情数据库casme-soamedb中提取样本的起始帧和顶点帧，并对其进行计算，得到四种不同的光流特征(of特征)。然后针对四种光流特征中的每一种光流特征，将光流特征划分成几个子块，将多个子块分别输入块划分卷积网络中进行模型训练，除此之外，还可使用隐式语义数据增广isda的加权损失函数(称为isda_w损失)对深度特征空间中的训练数据进行数据增强，从而进一步提高异常微表情识别模型的性能；具体的训练过程如下：
[0072]
本发明实施例通过光流特征提取方法计算每一对顶点帧和起始帧，得到一个四维的光流特征向量α：
[0073]
α＝{λ,ξ,os,vis}∈r4ꢀꢀ
(1)
[0074]
其中，λ表示水平分量，ξ表示垂直分量，os表示光学应变，vis表示提取的光流特征，光流特征的近似是基于亮度恒定方程：
[0075]
(δh)
t
k+mv＝0
ꢀꢀ
(2)
[0076][0077]
其中，δh表示空间变异梯度，k表示运动分量，可分为水平运动向量和垂直运动向量组成，mv表示时间变化梯度，dx、dy、dt分别为点和时间的位移向量，k1表示水平运动向量，k2表示垂直运动向量。
[0078]
通过k1和k2计算得到μ和v，公式如下：
[0079][0080][0081]
为了从of特征中提取出一个显著的特征，需要进一步提取光学应变os，光学应变os可表示为一个方阵如下：
[0082][0083]
其中，(δ
xx
,δ
yy
)表示参考法向应变分量，(δ
xy
,δ
yx
)表示参考剪切应变分量，因此光学应变os的大小由下式可得：
[0084][0085]
通过对flownet(光流神经网络)进行训练，获得了可视化特征，在基于深度学习的of特征估计领域取得了最先进的性能。提取的特征的每个组成部分都映射到一张图像上，将四个of光流特征向量α进行划分，得到多个大小为120
×
120
×
3的子块作为块划分卷积网络的输入。
[0086]
在本发明实施例中，通过块划分卷积网络自动计算出每个块的特征信息，并保留有用的特征信息，即四中图像特征是有of光流特征通过相应的特征提取路径得到的，首先
经过卷积模块cn module计算每个子块block的图像特征，通过la∈pk×i×o(a∈{1,2,3,4})表示四个图像特征，其中k、i、o分别表示图像的高度、宽度和通道数。特别而言，l1,l2,l3,l4分别从λ,ξ,os,vis的of光流特征中得到。
[0087]
在卷积过程中，每个图像被分成x
×
y的矩形子块，其中x＝i/s，y＝k/s，s为每个子块的边长；那么每个图像特征可以表示为：
[0088][0089]
其中，表示图像特征的第i行第j列子块lk，其尺寸为s
×s×
c。
[0090]
然后每个子块进行3
×
3卷积运算和8个滤波器，并进行3
×
3最大池化运算如下：
[0091][0092][0093]
其中，h0()表示卷积运算，h
mp
()表示maxpool最大池化操作，表示每个子块进行卷积后的输出结果，是maxpool最大池化的输出结果。这时的大小表示为s'
×
s'
×
c'。
[0094]
输出每个图像特征中每个子块的根据通道的尺寸进行拼接，即：
[0095][0096]
图像特征的拼接块特征是pk∈rs′×s′×
(c
′×
x
×
y)
；从每张图像中得到的四个拼接块特征通过将块划分模块连接起来，最后形成一个特征集p∈rs′×s′×
(4
×c′×
x
×
y)
[0097]
p＝concat(p1,p2,p3,p4)
ꢀꢀ
(12)
[0098]
p包含of光流特征中所有子块的特征α，但并不是所有子块的特征都在微表情识别过程中起重要作用，因此需要对特征集p进行过滤，采用1
×
1卷积运算降维，保留有用特征，丢弃无用特征。
[0099]
p'＝h1(p)
ꢀꢀ
(13)
[0100]
其中，h1()表示1
×
1卷积运算，1
×
1卷积层的输出记为c1表示降维后的通道数；p'被平展成长度为l1的一维向量v1，l1＝s'
×
s'
×
c1。最终，v1经过两个完全连接层来做出最终决定，如下式所示：
[0101]v2
＝σ(w1.v1)
ꢀꢀ
(14)
[0102]
τ＝σ(w2.v2)
ꢀꢀ
(15)
[0103]
其中，σ为relu函数，w1和w2为完全连接层中第一层和第二层的权值，w＝[w1,w2,...,wn]
t
∈r
l
×n。第一个完全连接层的输出是长度为l2的矢量v2，第二层完全连接层的输出为长度为l的矢量τ，通常，τ称为深度特征。
[0104]
一般来说，假设块划分卷积网络使用me训练数据上的权重θ进行训练t＝αi,yi)}，yi∈{1,...,e}第i个特征向量的标签是在e分类中的αi，深度特征的向量ai＝[a
i1
,...,a
im
]
t
＝g(α1,θ)。
[0105]
本发明实施例通过isda_w损失增强训练数据，isda算法，通过在特征空间中沿着
隐式语义方向变换训练样本，可以有效地增强数据集。该方法从隐式深度特征增强的角度出发，以减小新的鲁棒isda损失函数i
∞
为目标，其计算方法为：
[0106][0107]
其中m为训练集中的样本数量，i表示第i个样本，k表示样本中提取的特征类别的总和，j表示样本中提取的第j个特征类别，τ为控制语义数据增强强度的正系数，bj表示完全连接层对应的偏差，表示类yi在完全连接层对应的偏差。和∑yi类条件协方差矩阵是从类yi中的样本中估计出来的。
[0108]
isda_w损失既能隐式增强深度特征，又能解决me数据集中的类不平衡问题。isda_w损失的计算方法如下：
[0109][0110][0111]
其中，mj是类j中的样本数量，μj表示类j的损失权重值，ij表示类j的损失值。
[0112]
通过增强后的数据样本在块划分卷积网络中经过100次迭代训练，每个可疑对象异常微表情数据库中样本的训练数据分成4:1作为训练集和验证集。对于学习参数，随机梯度下降优化器将动量设置为0.9，权值衰减设置为0.0001，学习率设置为0.01，训练模块批次大小设置为128，从而训练出专用于重点交通站点的异常微表情识别模型。
[0113]
具体来说，步骤3包括：
[0114]
获取目标图像，并采用自动面部特征提取算法affe来进行目标图像的人脸区域估计和目标图像的关键点特征提取。
[0115]
在第一阶段特征提取中，采用二次机会区域生长方法对目标图像中的人脸区域进行估计，提取主要特征，代价函数如下：
[0116][0117]
其中，t0是评估的候选特征点，dn为平均交叉函数，用于累积掩模区域内的强度变化，dd为中心加权函数，用于计算被遮挡区域中心部分与边界部分的强度差，l是一个常数，l(p)表示p点的强度，v是单位阶跃函数；dn和dd的函数值只会受到模板正方形部分覆盖的点的影响。
[0118]
采用均值交叉函数来检测正方形区域内的强度变化。可以从正方形中逐行提取一维信号，和另一个逐列一维信号，然后计算这些一维信号对应的平均交叉值，总平均交叉值被定义为这些平均交叉值的和，即：
[0119][0120]
(x,y)是求值点的坐标，i的取值为而d
t
是代表一维信号，ur和uc是分别定义的行信号sr和列信号sc的交叉平均值为：
[0121][0122][0123]
由于特征区域的中心部分与边界部分的强度差较大，因此在代价函数中加入了中心加权函数。定义如下：
[0124][0125]
其中，
[0126][0127][0128][0129]
其中，ld是一个常数，μd表示鼻子特征区域的平均值，μu表示眼部特征区域的平均值，μv表示嘴部特征区域的平均值，c0是表示鼻子特征区域的平均值、c1表示眼部特征区域、c2表示嘴部特征区域，l(p)表示p点的强度。
[0130]
在第一阶段特征提取中，利用代价函数提取主要特征，可以明显看出，主要特征点与主要特征区域下方和附近的点之间的强度差异较大。因此公式(19)中涉及单位阶跃函数，以防止在第一阶段过程中选择其他特征(如眉毛和鼻子)。
[0131]
在第二阶段特征提取中提取目标图像的关键点特征，代价函数如下：
[0132][0133]
其中单位阶跃函数项被去掉了。
[0134]
基本上可以将面区域分为三个子区域，该子区域预计包含右眼特征点，左眼特征点，嘴巴特征点。在子区域中，计算的眉毛特征点的匹配值远低于眼睛特征点的匹配值。因此，在特征提取的第一阶段，利用遗传算法搜索可能的特征点，并在每个子区域中找到匹配值最好的特征点，总能提取出人脸的三个主要特征点。提取出主要特征后，在三个指定的子区域内搜索其他特征点，提取最佳匹配值的点作为第二特征点。提取的主要特征和第二特征点组成第二面部数据。
[0135]
考虑到应用于旅检智能无感识别通道，为帮助在人群中快速筛选风险对象。本发明实施例摒弃了无用的情绪识别，而是强化了对恐惧、压抑、轻蔑等异常微表情的处理。
[0136]
传统的mer分类方法之一是分为3类mer任务，包括三个情感类别:“积极”、“消极”和“惊讶”。比如smic数据集、cas(me)2数据集、composite me数据集是典型的三类me的数据集。
[0137]
另一类传统的mer分类方法是将数据集中包含的所以情绪进行分类识别，包括但不限于快乐、惊讶、愤怒、悲伤、恐惧、压抑、厌恶、和蔑视等情绪。典型数据库有casme数据集、casme ii数据集、samm数据集、meview数据集等。
[0138]
具体来说，异常微表情识别模型包括：依次连接的聚合块、第一完全连接层、第二完全连接层和归一化指数函数；
[0139]
将第二面部数据输入至聚合块进行特征聚合后依次输入第一完全连接层、第二完全连接层和归一化指数函数进行微表情识别，输出识别结果，识别结果包含压抑、恐惧、蔑视三种中任意一种或多种异常微表情。
[0140]
改进交叉熵损失作为异常微表情识别模型的目标函数β为：
[0141][0142]
其中，m为me视频样本的数量，t为情感的数量。当样本i的真类等于t时，γ
it
的值为1，否则为0。同理，p
it
为样本i属于c类的预测概率。这里本发明实施例使用余弦退火来实现这一点，即使用余弦函数来调节学习速率，学习速率在开始缓慢下降，然后在再次稳定之前相当迅速。考虑在可疑对象异常微表情数据库casme-soamedb中，me视频样本集中于负面异常类别，若注意不到这一点，很容易产生过拟合，这种学习率调整在当前问题的背景下尤其重要。
[0143]
具体来说，步骤5包括：
[0144]
根据识别结果确定可疑度，不同于accuracy(精度)、recall(召回率)、f1-score(f1分数)、uf1(未加权f1分数)、uar(未加权平均召回率)等传统mer指标，dos是当第二面部数据流露出包括恐惧、压抑、蔑视多种可疑微表情越多，认为其可疑度越高，计算公式如下：
[0145][0146]
其中，dos表示可疑度，表示表示恐惧的异常微表情，表示压抑的异常微表情，表示蔑视的异常微表情，e是一个常数，n是适配相关异常微表情的人脸运动单元au的总数；当第二面部数据出现异常微表情越多，可疑度越高，根据可疑度筛选出可疑对象，通知相关人员提高警惕，最终实现在智能旅检的无感通关条件下辅助工作人员快速发现潜藏的犯罪分子和可疑目标。
[0147]
其中，人脸运动单元(au)来源于facs(facial action coding system)即面部行为编码系统，它特指一组面部肌肉运动状态。第一次出版于1978年的facs，在2002年facs又进行了一些实质性的更新。通过使用面部行为编码系统可以对情绪进行分析。人脸运动单元(au)编码对应的编号，主要可以分为三大类主要运动单元编码，头部运动单元编码和眼睛运动单元编码。
[0148]
本发明实施例通过获取重点交通站点黑名单中可疑对象的第一面部数据和包含压抑、恐惧、蔑视三种异常微表情的微表情样本，构建可疑对象异常微表情数据库，在可疑对象异常微表情数据库中，利用微表情样本的起始帧和顶点帧进行计算，得到光流特征，并将光流特征输入块划分卷积网络进行模型训练，得到异常微表情识别模型，将第二面部数据输入异常微表情识别模型进行异常微表情识别，得到识别结果，识别结果包含压抑、恐惧、蔑视三种中任意一种或多种异常微表情，根据识别结果确定可疑度，并根据可疑度筛选出可疑对象；实现了在智能旅检的无感通关条件下，提高了站内工作人员筛选可疑对象的实时性和准确性；同时对于大多数重要的机场、火车站等场所，在复杂人流环境下快速定位
潜在的犯罪分子时，依然可发挥出优异的辅助辨别功能。
[0149]
本发明实施例还提供了一种可疑对象筛选装置，包括：
[0150]
获取模块，用于获取重点交通站点黑名单中可疑对象的第一面部数据和包含压抑、恐惧、蔑视三种异常微表情的微表情样本，构建可疑对象异常微表情数据库；
[0151]
训练模块，用于在可疑对象异常微表情数据库中，利用微表情样本的起始帧和顶点帧进行计算，得到光流特征，并将光流特征输入块划分卷积网络进行模型训练，得到异常微表情识别模型；
[0152]
提取模块，用于对目标图像进行人脸区域估计和关键点特征提取，得到第二面部数据；
[0153]
识别模块，用于将第二面部数据输入异常微表情识别模型进行异常微表情识别，得到识别结果，识别结果包含压抑、恐惧、蔑视三种中任意一种或多种异常微表情；
[0154]
筛选模块，用于根据识别结果确定可疑度，并根据可疑度筛选出可疑对象。
[0155]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现可疑对象筛选方法。
[0156]
本发明实施例还提供了一种可疑对象筛选设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现可疑对象筛选方法。
[0157]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。