《表2 局部二值模式改进方法性能比较》
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。
图表编号 | XD00197440900 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.01 |
作者 | 张人、何宁 |
绘制单位 | 北京联合大学北京市信息服务工程重点实验室、北京联合大学智慧城市学院 |
更多格式 | 高清、无水印(增值服务) |