论文部分内容阅读
伴随着图形计算能力的提高以及大数据时代的到来,计算机视觉下的模式识别等研究方向越来越得到稳步地发展。表情识别、微表情识别等面部识别技术在各种场合的应用场景也越来越广泛,其中微表情识别技术作为一种新兴的识别技术在近年来得到研究的重视,但是由于微表情的特殊性,使其识别技术的发展还面临识别率不高、数据库不足等方面的挑战。目前微表情识别的困难在于微表情本身持续时间短、变化细微、缺少足够的训练样本等问题的制约,然而其在测谎、心理预测等方面的应用需求与当前的研究成果不符,为了解决目前微表情识别的困难,本论文研究了基于深度学习的微表情识别技术,具体而言,主要贡献总结如下:·阐述了我们课题组发布的目前数据量最大的微表情数据库SDU2概况,并提出一种微表情数据库的对齐与切割方法。·提出了基于长短时记忆网络的微表情识别方法,旨在解决微表情的时间特性在深度学习上的难点,并在CASMEI、CASMEII、SDU2三个微表情数据库上验证了深度学习的特征提取方式对微表情识别的有效性。·提出了一种’宏to微转换模型,的微表情自动识别方法,首先,为了增加可训练样本的数量,宏表情作为正负样本与微表情组成元组对来训练微表情。其次,为了在提取全局特征的同时保留微表情局部信息,提出了’宏to微转换模型’。最后,为了将微表情和宏表情区分开以提取微表情特有的特征,本文提出了一种跨模态三元组损失函数来训练网络。在三个数据库的实验结果都表明,本文提出的’宏to微转换模型’明显优于其他主流方法。