张力为，王甦菁，段先华

1.江苏科技大学 计算机学院，江苏 镇江212003

2.中国科学院 心理研究所 行为科学重点实验室，北京100101

脸部表情携带大量的交流信息，甚至比言语和肢体还多。与宏表情不同，微表情还具有运动强度低和持续时间短的特点[1]，这使得微表情很难被抑制和隐藏。通过识别分析微表情可以在一定程度上揭示人类内在的意图和心理状态。为了帮助人们理解微表情的特性，Ekman 团队开发了一套微表情训练工具（METT）。接受该训练的人可以识别出7种基础的微表情类别，但是人工识别微表情不但严重依赖专业经验而且准确率不高，只有40%左右。此外，文献[2]的工作表明由微表情引发的运动发生于人脸的肌肉和血管的局部小区域中，而捕捉微小的形变并不容易。因此，到目前为止微表情的识别任务仍然有许多困难要解决，而高准确率的识别算法是很有价值的。

算法在微表情识别任务上的表现很依赖于具有区分性的特征。高质量的特征提取能准确描述微表情的特性，在识别过程中容易被分类。文献[3-4]的工作表明在基于视频形式的微表情识别任务中，结合三个正交平面的局部二元模式（LBP-TOP）在提取视频的时空特征上很有效。之后许多研究者改进了LBP-TOP算法。文献[5]提出了一个新的方法编码LBP-TOP，使用二阶高斯射流的重参数化生成适合不同面部分析任务的可靠直方图特征。文献[6]提出基于六个交叉点的局部二元模式（LBP-SIP），LBP-SIP 方法减少了LBP-TOP 的冗余度和计算复杂度，提供了更轻量化的微表情表征。……