基于单演二值模式的微表情识别研究-控制科学与工程专业论文.docxVIP

Dissertation Submitted to Hebei University of Technology for The Master Degree of Control Science and Engineering FACIAL MICRO-EXPRESSION RECOGNITION BASED ON MONOGENIC BINARY PATTERN by Wu Xue Supervisor: Yu Ming November 2014 摘要 摘 要 I I PAGE PAGE IV 微表情是一种非常短暂的、不能自主控制的面部表情，现实生活中只有少部分人 能够察觉的到。与普通面部表情相比，微表情更能泄露人们的真实感受与动机，经常 发生在人类试图隐藏或者压抑真实情感时，可以作为识别谎言的有效线索。由于微表 情持续时间短、表情幅度弱，实现对它的自动检测与识别成为了研究的难点。 本文提出了基于单演局部二值模式的微表情特征提取算法，并将其分别应用于静 态图像和动态图像序列中，主要研究内容包括以下几个方面： (1) 人脸特征点定位。针对表观参数模型（如活动外观模型）计算复杂度高等问 题，本文提出并实现了监督下降法。该方法只需通过学习方向下降序列，就能很好地 实现人脸特征点的检测，减少计算量。 (2) 针对微表情特征提取，本文提出了基于单演信号分析的单演局部二值模式 （Monogenic binary pattern，MBP）算法，该算法应用较少的卷积运算，提取出更为 紧凑的特征向量，显著地降低了时间和空间复杂度。由于微表情幅度比较微弱，动态 特征提取能获得更全面的特征信息，本文将 MBP 的改进算法单演二值模式的三维正 交平面（MBP three orthogonal planes，MBP-TOP）算法应用于动态图像序列中，得到更 好的分类效果。 (3) 作为概率统计模型，隐马尔科夫模型（Hidden Markov Model，HMM）已经 被成功从语音识别中应用到了人脸表情识别。本文提出了双层隐马尔科夫模型，并对 训练过程进行了改进，在微表情识别中取得很高的识别率。 本文实验在 MATLAB 2013a 环境下进行，选取了中科院的 CASME 和奥卢大学的 SMIC 微表情数据库。经实验验证，无论是在静态图像还是在动态图像序列中，本文 算法相对于基于 Gabor 的算法都有了明显的改善，且大大降低了空时复杂度。 关键字：微表情，监督下降法，单演信号，MBP，隐马尔可夫模型 ABSTRACT Micro-expression is a brief and involuntary facial expression which only can be detected by a few of people in real life. Compared with normal facial expression, micro-expression is more likely to reveal people’s feeling and motivation. It usually appears when people try to conceal or repress their real emotions, so micro-expression is an effective clue for lie indication. As for its short duration and low intensity, the research of automatic micro-expression detection and recognition is a challenging task. This paper presents a method for micro-expression feature extraction base on monogenic local binary pattern, and applies it to detect micro-expression in static images and dynamic image sequences. The main work is as follows: Facial landmark location. As the computation in parameterized appearance models (e.g., Active Appearance Model) is expensive and complexity, this paper presents the supervised descent metho