基于时间特征与空间特征的人脸微表情识别技术研究

发布时间：2021-02-13 02:52

　　微表情是一种持续时间极短暂且面部动作幅度很低的特殊人脸面部表情,相比一般人脸表情,其更能反映出人类情感的真实性,可广泛应用于临床医学、司法审讯、国家安防等领域。目前微表情识别主要依赖人工进行判别,存在技能训练时间长、成本高且准确性差等问题。少部分研究者将深度学习方法应用于微表情识别取得了极大进步,但因受微表情数据量不足、图像序列长度不统一、有效特征提取难等因素的影响,微表情识别的准确率仍然较低,难以满足当前的行业应用需求。为此,本文根据现有微表情特征提取方法的不足,研究了基于时间特征与空间特征的微表情识别算法,主要研究内容如下:通过光流近似以及图像翻转的方法对微表情数据集进行增广处理,解决了模型训练过程中因样本不足导致的过拟合问题。采用局部二元特征法实现全局的人脸特征点检测,利用人脸特征点空间位置实现微表情图像的对齐与剪裁。采用基于卷积神经网络的插帧方法对微表情图像序列进行处理,并通过TIM模型进行帧数归一化,有效减少了微表情图像的特征损失。通过实验对比分析,表明了该方法生成的中间帧效果比传统插帧方法更好。针对微表情在空间上动态变化和在时间上连续关联的特性,研究了基于卷积神经网络的空间... 

【文章来源】：沈阳工业大学辽宁省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

LBP的编码过程

第2章人脸微表情识别技术理论基础11将圆按照等角度划分为16个区域对应8个方向块。cell单元中每个像素点都为基于方向的某个bin进行加权投票。从而，可以求出每个cell单元的梯度直方图，其中包含了8个维度的特征向量。图2.5cell单元梯度信息Fig.2.5Cellcellgradientinformation（4）单元组合成块，归一化梯度直方图：每个块内的所有cell单元的特征向量通过级联的方式得到每一个块的HOG特征，再通过级联的方式将所有块的HOG特征直方图结合，最终得到一张完整图片的HOG特征。特征梯度直方图归一化操作是为了降低光照强度变化和背景对比度变化导致的影响。2.1.3基于动态图像序列的微表情特征提取方法动态图像序列与静态图像的区别为动态图像序列是一个连续的过程，能够反映出人脸微表情发生的整个过程。通过局部的人脸肌肉运动能够体现微表情图像序列特征。以下对几种常用的方法进行具体描述：（1）光流法在微表情特征提取的研究中，利用光流法提取的光流特征能够有效反应人脸局部区域变化的趋势，光流法的优势在于可以利用两帧之间对应位置的灰度值来反应前后的细微变化关系。张轩阁[26]等人利用光流法实现了微表情识别。主要工作为将人脸划分为几个区域，对图像序列中的人脸发生微表情的区域进行跟踪，再通过特征运动的矢量变化实现对微表情的分类任务。（2）特征点跟踪法特征点跟踪法一般选取在发生微表情时肌肉运动比较明显的人脸区域，通过跟踪这些灰度值变化较大的特征点，能够更加准确的描述人脸微表情特征的变化。Tie[27]等人首先从一段视频序列中自动提取出26个面部特征点，然后通过多个粒子过滤器对特

不同P值的PL距离关系

【参考文献】：
期刊论文
[1]基于全局光流特征的微表情识别[J]. 张轩阁,田彦涛,颜飞,王美茜.  模式识别与人工智能. 2016(08)

硕士论文
[1]基于CNN-RNN的微表情识别[D]. 王思宇.哈尔滨工程大学 2018
[2]一种基于CNN-CBP特征的微表情识别系统及其软硬件协同设计[D]. 刘毅泽.华东师范大学 2017
[3]基于动态序列的微表情识别[D]. 张轩阁.吉林大学 2016
[4]基于HOG特征的人脸表情识别算法研究[D]. 王镇.南京邮电大学 2015



本文编号：3031850