论文部分内容阅读
微表情是一种持续时间非常短暂的表情,它能够表达人们想要隐藏的真实情感。近年来,微表情识别因为其潜在的应用价值而逐渐引起了研究者的关注。目前微表情识别的研究仅处于初始阶段,一是微表情数据库的稀少,二是由于微表情本身的细微行为特点导致大多数特征提取方法不鲁棒。针对这些问题,本文受最近深度学习的巨大成功的启发,探索和研究其在微表情识别中的方法及应用。本文的主要工作总结如下:(1)建立了一个诱发的微表情数据库。微表情数据库是进行微表情识别研究的重要支撑,而目前通过诱发的微表情数据库太稀少。本文搭建了微表情诱发环境,利用摄像机采集了被试观看诱发视频的微表情视频,从中挑选出了微表情帧序列,标注了微表情的标签,建立了微表情数据库,并总结了建库的一些难题。(2)概述了一套完整的微表情识别工作,包括微表情帧序列预处理、微表情检测、微表情特征提取、微表情分类,进行了一系列基准实验。(3)提出了一种基于深度置信网络(Deep Belief Network, DBN)的微表情识别方法。将深度学习与微表情识别研究结合在一起,先对微表情数据进行扩充样本,再提取动态特征输入到深度置信网络中,并在预训练、微调过程中调节参数,最终得到了较好的识别率。(4)提出了一种基于三维卷积神经网络(three dimensional Convolutional Neural Network,3D-CNN)的微表情识别方法。目前,卷积神经网络(CNN)是人们研究模式识别问题最常采用的深度学习网络模型之一。然而,CNN的功能仅仅局限在对于2D输入的处理。本文在CNN的基础上,发展了一种三维卷积神经网络(3D-CNN)的网络结构,用3D-CNN提取微表情动态视频的特征,并对其进行分类。3D-CNN是一种新的深度学习网络,增加了对于时间信息的卷积,因此可以处理各种3D输入,可以应用于视频系列分类任务。(5)开发了一个简单的微表情自动检测和识别系统。该系统分为两个部分:一是微表情自动检测部分,用来检测微表情视频的起始帧、峰值帧、结束帧;二是微表情自动识别部分,用来对微表情视频进行五类情感分类。