微表情是一个人试图隐藏内心真实情感却又不由自主流露出的不易被察觉的面部表情。与一般面部表情相比,微表情最显著的特点是持续时间短、强度弱,往往难以有效识别。文中提出了一种基于LBP-TOP(Local Binary Pattern from Three Orthogo...微表情是一个人试图隐藏内心真实情感却又不由自主流露出的不易被察觉的面部表情。与一般面部表情相比,微表情最显著的特点是持续时间短、强度弱,往往难以有效识别。文中提出了一种基于LBP-TOP(Local Binary Pattern from Three Orthogonal Planes)特征和支持向量机(Support Vector Machine,SVM)分类器的微表情识别方法。首先,采用LBP-TOP算子来提取微表情特征;然后,提出一种基于ReliefF与局部线性嵌入(Locally Linear Embedding,LLE)流形学习算法相结合的特征选择算法,对提取的LBP-TOP特征向量进行降维;最后,使用径向基函数(Radial Basis Function,RBF)核的SVM分类器进行分类,将测试样本图像序列的微表情分为5类:高兴、厌恶、压抑、惊讶、其他。在CASME Ⅱ微表情数据库上采用"留一人交叉验证"(Leave-One-Subject-Out Cross Validation,LOSO-CV)的方式进行了实验,可得到58.98%的分类准确率。实验结果表明了该算法的有效性。展开更多
为自动识别视频中表情类别,提出基于面部块表情特征编码的视频表情识别方法框架。检测并精确定位视频中人脸关键点位置,以检测到的关键点为中心,提取面部显著特征块。沿着时间轴方向,对面部各特征块提取LBP-TOP(local binary pattern fr...为自动识别视频中表情类别,提出基于面部块表情特征编码的视频表情识别方法框架。检测并精确定位视频中人脸关键点位置,以检测到的关键点为中心,提取面部显著特征块。沿着时间轴方向,对面部各特征块提取LBP-TOP(local binary pattern from three orthogonal planes)动态特征描述子,将这些描述子作为表情特征并输入Adaboost分类器进行训练和识别,预测视频表情类型。在国际通用表情数据库BU-4DFE的纹理图像上进行测试,取得了81.2%的平均识别率,验证了所提算法的有效性,与同领域其它主流算法相比,其具有很强的竞争性。展开更多
文摘为自动识别视频中表情类别,提出基于面部块表情特征编码的视频表情识别方法框架。检测并精确定位视频中人脸关键点位置,以检测到的关键点为中心,提取面部显著特征块。沿着时间轴方向,对面部各特征块提取LBP-TOP(local binary pattern from three orthogonal planes)动态特征描述子,将这些描述子作为表情特征并输入Adaboost分类器进行训练和识别,预测视频表情类型。在国际通用表情数据库BU-4DFE的纹理图像上进行测试,取得了81.2%的平均识别率,验证了所提算法的有效性,与同领域其它主流算法相比,其具有很强的竞争性。
