文献类型：期刊文章

作　　者：张延良[1] 卢冰[1] 洪晓鹏[2] 赵国英[2] 张伟涛[3]

ZHANG Yanliang;LU Bing;HONG Xiaopeng;ZHAO Guoying;ZHANG Weitao(School of Physics and Electronic Information, Henan Polytechnic University, Jiaozuo Henan 454150, China;Center for Machine Vision and Signal Analysis, University of Oulu, Oulu FI-90014, Finland;School of Electronic Engineering, Xidian University, Xi an Shaanxi 710071, China)

机构地区：[1]河南理工大学物理与电子信息学院,河南焦作454150 [2]奥卢大学机器视觉和信号分析研究中心,芬兰奥卢fi90014 [3]西安电子科技大学电子工程学院,西安710071

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(61571339);网络与交换技术国家重点实验室开放课题(SKLNST-2016-1-02);河南理工大学博士基金资助项目(B2012-100)~~

年　　份：2019

卷　　号：39

期　　号：5

起止页码：1282-1287

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：微表情(ME)的发生只牵涉到面部局部区域,具有动作幅度小、持续时间短的特点,但面部在产生微表情的同时也存在一些无关的肌肉动作。现有微表情识别的全局区域方法会提取这些无关变化的时空模式,从而降低特征向量对于微表情的表达能力,进而影响识别效果。针对这个问题,提出使用局部区域方法进行微表情识别。首先,根据微表情发生时所牵涉到的动作单元(AU)所在区域,通过面部关键点坐标将与微表情相关的七个局部区域划分出来;然后,提取这些局部区域组合的时空模式并串联构成特征向量,进行微表情识别。留一交叉验证的实验结果表明局部区域方法较全局区域方法进行微表情识别的识别率平均提高9.878%。而通过对各区域识别结果的混淆矩阵进行分析表明所提方法充分利用了面部各局部区域的结构信息,并有效摒除与微表情无关区域对识别性能的影响,较全局区域方法可以显著提高微表情识别的性能。

关 键 词：微表情识别  特征向量 动作单元  全局区域方法  局部区域方法  

分 类 号：TP391.41]