论文部分内容阅读
微表情是人类试图压抑或隐藏真实情感时，泄露的非常短暂的、不能自主控制的面部表情，是谎言识别的有效线索，主要应用于安全、司法、临床等领域。微表情拥有持续时间短且难以识别的特征，使得计算机自动识别微表情的研究仍处于初期阶段。微表情识别过程一般包括微表情图像预处理、微表情检测、微表情特征提取和微表情识别四个环节。 本文对微表情特征提取、微表情分类识别等关键问题进行了研究，主要工作如下：(1)微表情图像预处理为微表情识别的第一环节，本文采用AdaBoost算法检测微表情图像中的人脸，采用双线性差值算法实现图像的尺寸归一化，采用Birnbaum-Saunders分布曲线建立回归模型，标记微表情序列中，微表情出现的开始帧，持续时间和结束帧。 (2)研究了三正交平面的中心化二值模式(Centralized Binary Patterns from Three Orthogonal Panels,CBP-TOP)的微表情特征提取方法。CBP算子对亮点、边缘等微小特征较为敏感，能显著地降低直方图的维度，还能充分考虑中心像素点的作用，并给与最高权重，通过引入符号函数s(x)，CBP可以降低白色噪声对图像识别的影响。 (3)研究了基于差分能量图(DEI)和中心化Gabor二值模式(CGBP)的微表情特征提取方法。先提取微表情图像序列的差分能量图，然后选取2个尺度、3个方向的Gabor小波后，再对Gabor系数图谱进行中心化二值模式编码，通过直方图方法进行特征降维。结果表明，这种特征提取方法结合了Gabor小波变换和中心化二元模式的优点，能有效的保持微表情特征，又能降低微表情特征向量维数。 (4)使用Extreme Learning Method(ELM)机器学习方法，对上述改进的算法提取到的微表情特征进行分类识别。ELM随机产生隐层结点参数，利用得到的外权决定输出，大大简化了传统神经网络复杂的迭代过程，可以直接应用于回归分析和多类分类中。应用于微表情识别领域，其在准确率和计算速度方面具有良好的表现，均优于SVM分类器。 为了证明本文两种方法的有效性，在CASME微表情库上进行对比实验，结果表明，使用CBP-TOP算法的识别率为82.07％，高于传统的LBP-TOP微表情特征提取算法的73.82%。使用DEI、CGBP和ELM方法的识别率为86.54%，高于传统的Gabor和GentleSVM方法的85.42%。