《表2 局部二值模式改进方法性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《微表情识别研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Liu等[47]提出了一种简单有效的主方向平均光流（MDMO）特征用于微表情识别，将稳健的光流方法应用于微表情视频片段，并基于部分动作单元将面部区域划分为感兴趣区域（ROI）。MDMO是一种基于ROI的归一化统计特征，它同时考虑了局部统计运动信息和空间位置。此外，为了减少由头部运动引起的噪声影响，还提出了一种光流驱动的方法来对齐微表情视频剪辑的所有帧。最后，采用具有MDMO特征的支持向量机分类器进行微表情识别。MDMO的一个显著特点是其特征维数小。总的来说以上几种方法采取的策略基本一致，需要从先将面部划分感兴趣区域（ROI），之后使用光流的方法分辨面部为小动作，最后使用支持向量机对所得到的特征进行分类。将面部分成不同区域，更容易使用FACS系统，让机器使用FACS进行对微表情进行判别，而光流则负责检测每一个区域内的微小动作变化，对于每部分的变化对应一个动作单元，不同运动单元的变化即可判别出表情的变化。对HOOF进行修改可以使准确率相应提高，见表2(ROI+HOOF[34]方法使用留一法（Leave-One-Subject-Out，LOSO）对数据集进行准确率测试，因此准确率会较高）。但光流法对于环境的要求较为苛刻，需要在此基础上进行修改才可以应用到数据库之外部分。