《表4 不同微表情模型方法准确率对比》

  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

《结合空洞卷积的CNN实时微表情识别算法》

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

本文通过混淆矩阵（confusion matrix）对微表情分类模型准确性进行评估，从整体分类情况看准确率达73%，从图5的混淆矩阵可以看出模型对人脸高兴表情敏感度最高，准确率为90%，其主要原因是由于产生幸福表情时人脸肌肉动向较为明显，且训练样本较多，属于简单样本学习；与此相对应自然表情的识别准确率仅有69%，虽然训练样本总体占比最高，但是表情与正常刚性人脸相似，肌肉变化率极低，因此准确率较低；同时可以看出恐惧表情分类准确率还不足50%，主要原因是由于样本数量过少，即使使用focal loss控制样本平衡，恐惧表情与惊讶表情的区分度仍然较低，从惊讶表情的错误率也可以看出，模型误判惊讶为恐惧高达8%。本文实验结果如表4所示，综合列出了近三年较为流行的普通特征方法及深度学习方法，与其他前沿方法相比，本文提出的基于空洞卷积的CNN微表情识别方法获得了较高的准确率，one-stage模型作为一种卷积神经网络方法，整合了人脸表情检测与特征自动提取分类，省去了人工寻找特征的步骤，也提高了识别准确率。在模型实时应用方面，表5列出在一段时间内模型分类结果及时长消耗，可以看出基于MTCNN的人脸微表情分类方法，单帧图像识别时间浮动在250～290 ms，视频分析帧率维持在60 fps。