李昆仑，陈 栋，王 珺，王怡辉

(河北大学 电子信息工程学院，河北 保定 071000)

E-mail:likunlun@hbu.edu.cn

1 引 言

人类面部表情是人们日常生活交流中传递情感的主要手段.心理学家的研究表明，面部表情所传达的信息量可达人们情感信息传递总量的一半[1].微表情是一种短暂的自发式表情，通常持续时间在1/25s-1/5s之间，它本质上是人的一种无意识的举动，具有无法隐藏和无法改变的特性，因此它能真实地反应人的情感状态.

微表情的概念是由Haggard和Isaacs于1966年在一次临床访谈中首次提出[2].1969年，Ekman和Friesen在研究中发现了同样的特殊表情，他们将其命名为微表情[3].微表情自动识别因其在临床诊断、测谎、教学辅助和商务谈判等领域的良好表现而受到越来越多的关注.

特征提取是微表情自动识别的主要研究内容之一，现有的特征提取方法主要分为基于传统算法的特征提取和基于深度学习的特征提取.微表情是一段连续的面部运动，对微表情识别需要从三维空间提取有效信息.文献[4]首先提出了LBP-TOP(Local Binary Patterns from Three Orthogonal Planes)算法，将LBP算法从二维平面扩展到了三维空间.为了能够更加准确的描述微表情视频中图像间的运动信息，一些研究者开始将光流特征应用于微表情识别，如Liu等提出的主方向平均光流特征(Main Directional Mean Optical Flow Feature，MD-MO)和Liong等人提出的双权重光流算法(Bi-Weighted Oriented Optical Flow，Bi-WOOF)[5,6].还有一些研究者针对微表情运动幅度小的问题，如Li等则使用欧拉视频放大(Eulerian Video Magnification，EVM)算法将微表情运动放大后再用传统识别方法对微表情进行识别[7].

近期，深度学习在图像……