论文部分内容阅读
微表情是人们在某些情境下试图隐藏而又不由自主出现的短暂表情,反映了人们的真实情感,因此在许多领域都有重要的应用价值。微表情持续时间短、变化强度低和局部运动的特点,对微表情的研究带来了很大挑战。为此,本文研究和设计了微表情相关的特征提取算法,并将其应用于微表情的检测和识别。本文的主要工作如下:(1)研究和对比分析了四种经典微表情特征提取算法:LBP-TOP、STLBP-IP、DiSTLBP-RIP和MDMO,其中LBP-TOP算法同时提取空域和时域信息,是一种有效的动态纹理特征提取算法;STLBP-IP算法使用基于差分图像的积分投影并结合LBP算子来提取表观特征和运动特征;DiSTLBP-RIP采用基于RPCA的判别时空LBP特征用于微表情识别;MDMO通过提取主方向光流特征来进行微表情识别。(2)提出了一种基于RHOOF特征的微表情峰值帧检测算法。为了提取有效特征,所提算法首先检测人脸关键点并根据其坐标对面部区域进行划分,然后提取划分区域内的HOOF特征,以此统计各区域的运动情况,并根据运动方向的变化对微表情峰值帧进行检测,最后实验验证了所提算法进行微表情峰值帧检测的准确性。(3)提出了一种基于MHOOF特征的微表情识别算法。由于在微表情发生的三个阶段中,起始阶段到峰值阶段可以更好地表示微表情,同时更短的表情序列可以减少姿态变化引起的干扰,因此所提算法通过峰值帧检测选取从起始到峰值这一段微表情序列进行特征提取;考虑到微表情发生强度非常低的特点,在高速摄像机下采集的微表情序列,帧间光流变化非常微弱,光流方向易受噪声干扰,因此本文计算感兴趣区域内的每一帧和起始帧之间的显著光流特征,对所提特征进行平均池化后采用SVM进行微表情识别,实验验证了所提算法的有效性。最后设计实现了一个微表情峰值检测和情感识别演示系统,可对面部区域的运动情况和特征进行可视化。