结合FDM 与STLBP-IP 特征的微表情识别
2021-04-23韦丽娟梁建娟刘本永
韦丽娟,梁建娟,刘 洪,刘本永
(贵州大学大数据与信息工程学院,贵州贵阳 550025)
0 引言
微表情分析逐渐成为机器视觉领域研究热点。与普通表情不同,微表情无法伪造和抑制,可以反映人的真实情绪[1]。因此,通过分析和研究微表情,可以挖掘人内心的真实情感[2],不仅可以改善和促进人们之间的交往,还可用于临床医学、司法刑侦、婚姻关系预测、教育等领域。
微表情持续时间短且动作幅度微弱,加上人们试图控制和压抑,很难被检测和识别。为帮助人们识别微表情,Ekman[3]开发了微表情训练工具,但是这种通过训练来识别微表情的方法识别效率很低;Polikovsky 等[4]将人脸图像分为12 个区域,使用3D 梯度直方图表征微表情。但这种方法假设每一帧微表情图像只有一个动作单元,存在一定的局限性;Wu 等[5]使用Gabor 算法提取微表情特征进行微表情识别,但是当表情变化幅度较小时识别率很低;Wang等[6]将微表情看作三阶张量并用判别式张量子空间分析算法生成判别特征进行分类,这种算法虽然能够保存图像的空间结构信息,但容易丢失小幅度变化信息,并对噪声敏感;Zhao 等[7]将LBP(Local Binary Patterns)扩展到三维提取时空域信息并应用到微表情识别,结果表明了LBP_TOP 提取微表情特征的有效性,而LBP-TOP 虽然考虑了图像外观和运动纹理信息,但只关注了像素之间的信息,没有关注大小、方向等信息;为了描述面部图像的形状特征,Huang等[8]提出积分投影(Spatiotemporal Local Binary Pattern with Integral Projection,STLBP-IP)时空局部二值模式,通过计算差分图像的积分投影并进行LBP 编码得到图像的形状外观和运动特征,这种算法增强了微表情的识别能力;……
