微表情是一种轻微快速的面部运动,它能够揭露一个人试图隐藏的真实情绪。因此它被认为是检测谎言的重要线索之一。由于它在不同领域有许多前景的应用,吸引了许多研究者的注意。然而,微表情有两个非常显著的特点:短时性和低强度性,导致微表情识别仍然面临着巨大的挑战,并且在已有的工作中,微表情识别的准确率很低。为了提高微表情的识别准确率,在本篇论文中,研究了基于深度学习的微表情识别算法,提出了三种微表情识别方法:(1)基于分层网络(Hierarchical neural network,HINN)的微表情识别方法。由于人脸微表情的运动变化可以由眉毛、眼睛、鼻子、嘴巴这些局部区域的运动状态组成,因此首先采用级联回归树算法对微表情视频中的每一帧图像提取68个特征点,并依据这68个特征点将微表情数据集中的微表情图像分割为四个子图像(眉毛、眼睛、鼻子和嘴巴图像)。然后通过分层卷积网络从子图像提取丰富的局部特征,再将提取的特征送入分层双向循环网络去学习动态序列特征,最后对得到的高级特征进行分类。(2)基于鲁棒性主成分分析(Robust principal component analysis,RPCA)和双向LSTM(RBLSTM)的微表情识别算法。首先考虑到微表情的稀疏特性,采用RPCA从微表情视频的图像帧提取微表情的稀疏信息,然后将提取出来的稀疏信息送入双向长短期记忆神经网络,得到全局的稀疏的特征并进行分类。(3)基于深度融合网络(Deep fusion network,DFNN)的微表情识别算法。采用线性加权将HINN网络和RBLSTM网络的特征进行融合,通过结合提取的丰富-稀疏、局部-全局的特征,对微表情进行分类。本文提出的算法在由四个自发式微表情数据库(CASME I、CASME II、CAS(ME)2和SAMM)组合的数据集上进行实验,实验结果显示提出的方法和已有的算法比较具有不错的性能。