论文部分内容阅读
表情识别作为人机交互的一个重要领域,已经得到了几十年的发展,在许多领域都有着广泛的应用。近年来,人们开始研究一种特殊的表情——微表情,微表情是一种持续时间短、强度弱、反应出一个人内心真实情感的特殊表情,其在测谎、临床诊断以及审讯等领域有着广泛的应用。本文针对微表情进行了相关的研究,使用了静态图像、动态序列以及深度学习的方法进行微表情识别,主要工作内容包括:(1)对微表情图像做预处理。本文所采用的数据库为CASME2和SMIC微表情数据,对数据库中的微表情图像做尺度归一化以及灰度归一化操作。(2)研究了基于静态图像的微表情识别,选出数据库中每一个样本的表情变化最大帧,当作该样本的静态微表情,提取局部二值模式(Local Binary Pattern,LBP)、局部相位量化(Local Phase Quantization,LPQ)特征并将其进行融合,实验结果显示,融合后的特征对微表情识别率有较大提高。(3)研究了基于动态序列的微表情识别,使用正交三维局部二值模式(Local Binary Pattern from Three Orthogonal Planes,LBP_TOP)算子提取动态序列的微表情特征,并使用局部线性嵌入算法(Locally Linear Embedding,LLE)算法对高维特征进行降维。LBP_TOP算子能够提取微表情在时间维上的信息,相较于静态图像的方法,其识别率更高。(4)研究了基于深度学习的微表情识别,将微表情序列输入3D-CNN网络中提取微表情特征,最后使用支持向量机(Support Vector Machine,SVM)进行分类,与其他深度学习方法相比,3D-CNN能够直接处理视频或者图像序列,计算简单效率高。