微表情識別方法綜述

目的：揭露人內心的真實情感

應用：測謊、反恐、醫學

三個步驟：預處理、特征提取、分類

1、預處理

預處理主要包括人臉檢測及配准 、 人臉切割和圖像歸一化

人臉檢測及配准：

1. 主動形狀模型（ASM）這是一種基於統計學習模型的特征點提取方法 , 主要包括訓練和搜索兩個部分 。 其優點是能得到有序的特征點, 並且具有較高的精確性和魯棒性 , 但缺點是容易陷入局部     最小
2. 主動表觀建模（AAM）對於側臉或其他復雜場景 , 依然存在一些問題 , 如 : 容易陷入局部最優解 ,對環境噪聲缺乏魯棒性
3. 局部約束模型（CLM）對候選匹配特征點鄰域內的局部區域進行建模並對空間位置 加 以 約 束 。 總 體 來 說 , CLM 分 別 繼 承 了ASM 速度快和 AAM 精度高的優點, 在時間效率與配准效果之間 取得了平衡 。 但是 , CLM 算法依然存在以下不足 : 它將各個關鍵點獨立起來 , 從而弱化了關鍵點間的聯系 , 這容易導致配准結果不穩定 。 因 此 , 在 復 雜 環 境 下 難 以 達 到 很 好 的效果
4. .............................................................

人臉切割和圖像歸一化:

1.   張余敬根據面部特征點和幾何模型確定人臉矩形區域並進行剪裁
2. 王建超通過采用聯合級聯法檢測到 27 個面部特征點, 再以該特征點為依據進行人臉切割
3.  Black 等給出了光照變化模型 , 解決了 Gabor 小波不能有效處理人臉局部變亮的問題
4.     ...........................

2、微表情檢測及特征提取

基於靜態圖片：整體法：PCA、ICA、LDA...

                         局部法：Gabor、LBP（LBP - TOP 提取視頻或圖像序列的紋理特征）

基於動態圖片：光流法（OF）

                          模型法（ASM、AAM...）

                          幾何法

                          深度學習法

3、微表情分類

GENT-LESVM、RF、ELM、HMM、DBN、CNN