《表3 航班延误等级划分：微表情识别研究综述》

  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

对于视频类型的文件，通常在使用CNN时可以选择与循环神经网络的一种流行形式，称为长短期记忆（Long Short-Term Memory，LSTM)[50]模块搭配使用，LSTM对于视频类型的输入有较好的效果。比起单独使用CNN，将CNN作为一种框架更为合适，CNN可以和各种方法相结合，使改进的网络识别的效果更好。如Khor等[43]在使用CNN+LSTM方法的同时，在输入端使用TV-L1[51]方法提取光流图像与原始图像叠加作为输入，之后将提取后的特征送入LSTM网络，进行微表情识别。而文献[52]则使用ROI方法后，配合Flow Net 2.0光流法进行特定区域的光流识别，最终使ROI+Revised HOOF[46]配合FACS识别出不同的表情。这两种方法使用了不同的光流方法，但TVL1+LSTM方法[43]的主体是CNN，光流法只是作为与原始图像共同的输入，增加识别的准确率，见表2、表3。由此可见CNN作为一个框架，包容性很强，可以与多种方法共同结合使用，是解决图像问题的良好工具。