人臉微表情特征提取算法研究.pdf

1、微表情是人類試圖壓抑或隱藏真實情感時，泄露的非常短暫的、不能自主控制的面部表情，是謊言識別的有效線索，主要應(yīng)用于安全、司法、臨床等領(lǐng)域。微表情擁有持續(xù)時間短且難以識別的特征，使得計算機自動識別微表情的研究仍處于初期階段。微表情識別過程一般包括微表情圖像預(yù)處理、微表情檢測、微表情特征提取和微表情識別四個環(huán)節(jié)。
　　本文對微表情特征提取、微表情分類識別等關(guān)鍵問題進行了研究，主要工作如下：(1)微表情圖像預(yù)處理為微表情識別的第一環(huán)節(jié)，本

2、文采用AdaBoost算法檢測微表情圖像中的人臉，采用雙線性差值算法實現(xiàn)圖像的尺寸歸一化，采用Birnbaum-Saunders分布曲線建立回歸模型，標(biāo)記微表情序列中，微表情出現(xiàn)的開始幀，持續(xù)時間和結(jié)束幀。
　　(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算子對亮點、邊緣等微小特

3、征較為敏感，能顯著地降低直方圖的維度，還能充分考慮中心像素點的作用，并給與最高權(quán)重，通過引入符號函數(shù)s(x)，CBP可以降低白色噪聲對圖像識別的影響。
　　(3)研究了基于差分能量圖(DEI)和中心化Gabor二值模式(CGBP)的微表情特征提取方法。先提取微表情圖像序列的差分能量圖，然后選取2個尺度、3個方向的Gabor小波后，再對Gabor系數(shù)圖譜進行中心化二值模式編碼，通過直方圖方法進行特征降維。結(jié)果表明，這種特征提取方法結(jié)

4、合了Gabor小波變換和中心化二元模式的優(yōu)點，能有效的保持微表情特征，又能降低微表情特征向量維數(shù)。
　　(4)使用Extreme Learning Method(ELM)機器學(xué)習(xí)方法，對上述改進的算法提取到的微表情特征進行分類識別。ELM隨機產(chǎn)生隱層結(jié)點參數(shù)，利用得到的外權(quán)決定輸出，大大簡化了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)復(fù)雜的迭代過程，可以直接應(yīng)用于回歸分析和多類分類中。應(yīng)用于微表情識別領(lǐng)域，其在準(zhǔn)確率和計算速度方面具有良好的表現(xiàn)，均優(yōu)于SVM分