微表情是一種持續(xù)時間極短暫且面部動作幅度很低的特殊人臉面部表情,相比一般人臉表情,其更能反映出人類情感的真實性,可廣泛應(yīng)用于臨床醫(yī)學(xué)、司法審訊、國家安防等領(lǐng)域。目前微表情識別主要依賴人工進行判別,存在技能訓(xùn)練時間長、成本高且準確性差等問題。少部分研究者將深度學(xué)習(xí)方法應(yīng)用于微表情識別取得了極大進步,但因受微表情數(shù)據(jù)量不足、圖像序列長度不統(tǒng)一、有效特征提取難等因素的影響,微表情識別的準確率仍然較低,難以滿足當(dāng)前的行業(yè)應(yīng)用需求。為此,本文根據(jù)現(xiàn)有微表情特征提取方法的不足,研究了基于時間特征與空間特征的微表情識別算法,主要研究內(nèi)容如下:通過光流近似以及圖像翻轉(zhuǎn)的方法對微表情數(shù)據(jù)集進行增廣處理,解決了模型訓(xùn)練過程中因樣本不足導(dǎo)致的過擬合問題。采用局部二元特征法實現(xiàn)全局的人臉特征點檢測,利用人臉特征點空間位置實現(xiàn)微表情圖像的對齊與剪裁。采用基于卷積神經(jīng)網(wǎng)絡(luò)的插幀方法對微表情圖像序列進行處理,并通過TIM模型進行幀數(shù)歸一化,有效減少了微表情圖像的特征損失。通過實驗對比分析,表明了該方法生成的中間幀效果比傳統(tǒng)插幀方法更好。針對微表情在空間上動態(tài)變化和在時間上連續(xù)關(guān)聯(lián)的特性,研究了基于卷積神經(jīng)網(wǎng)絡(luò)的空間... 

【文章來源】：沈陽工業(yè)大學(xué)遼寧省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

LBP的編碼過程

第2章人臉微表情識別技術(shù)理論基礎(chǔ)11將圓按照等角度劃分為16個區(qū)域?qū)?yīng)8個方向塊。cell單元中每個像素點都為基于方向的某個bin進行加權(quán)投票。從而，可以求出每個cell單元的梯度直方圖，其中包含了8個維度的特征向量。圖2.5cell單元梯度信息Fig.2.5Cellcellgradientinformation（4）單元組合成塊，歸一化梯度直方圖：每個塊內(nèi)的所有cell單元的特征向量通過級聯(lián)的方式得到每一個塊的HOG特征，再通過級聯(lián)的方式將所有塊的HOG特征直方圖結(jié)合，最終得到一張完整圖片的HOG特征。特征梯度直方圖歸一化操作是為了降低光照強度變化和背景對比度變化導(dǎo)致的影響。2.1.3基于動態(tài)圖像序列的微表情特征提取方法動態(tài)圖像序列與靜態(tài)圖像的區(qū)別為動態(tài)圖像序列是一個連續(xù)的過程，能夠反映出人臉微表情發(fā)生的整個過程。通過局部的人臉肌肉運動能夠體現(xiàn)微表情圖像序列特征。以下對幾種常用的方法進行具體描述：（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夠有效反應(yīng)人臉局部區(qū)域變化的趨勢，光流法的優(yōu)勢在于可以利用兩幀之間對應(yīng)位置的灰度值來反應(yīng)前后的細微變化關(guān)系。張軒閣[26]等人利用光流法實現(xiàn)了微表情識別。主要工作為將人臉劃分為幾個區(qū)域，對圖像序列中的人臉發(fā)生微表情的區(qū)域進行跟蹤，再通過特征運動的矢量變化實現(xiàn)對微表情的分類任務(wù)。（2）特征點跟蹤法特征點跟蹤法一般選取在發(fā)生微表情時肌肉運動比較明顯的人臉區(qū)域，通過跟蹤這些灰度值變化較大的特征點，能夠更加準確的描述人臉微表情特征的變化。Tie[27]等人首先從一段視頻序列中自動提取出26個面部特征點，然后通過多個粒子過濾器對特

不同P值的PL距離關(guān)系

【參考文獻】：
期刊論文
[1]基于全局光流特征的微表情識別[J]. 張軒閣,田彥濤,顏飛,王美茜.  模式識別與人工智能. 2016(08)

碩士論文
[1]基于CNN-RNN的微表情識別[D]. 王思宇.哈爾濱工程大學(xué) 2018
[2]一種基于CNN-CBP特征的微表情識別系統(tǒng)及其軟硬件協(xié)同設(shè)計[D]. 劉毅澤.華東師范大學(xué) 2017
[3]基于動態(tài)序列的微表情識別[D]. 張軒閣.吉林大學(xué) 2016
[4]基于HOG特征的人臉表情識別算法研究[D]. 王鎮(zhèn).南京郵電大學(xué) 2015



本文編號：3031850