基于积分投影和lstm的微表情识别研究

《基于积分投影和lstm的微表情识别研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于积分投影和LSTM的微表情识别研究摘要：现有的微表情识别研究主要是利用基于局部二值模式（LBP）改进的算法并结合支持向量机（SVM）来识别。最近，积分投影开始应用于人脸识别领域。长短时记忆网络（LSTM）作为循环神经网络，可以用来处理时序数据。因此提出了结合积分投影和LSTM的模型（LSTM-IP），在最新的微表情数据库CASMEII上进行实验。通过积分投影得到水平和垂直投影向量作为LSTM输入并分类，同时采用了防止过拟合技术。实验结果表明，LSTM-IP算法取得了比以前的方法更好的精度。中国8/vie　　关键词

2、：积分投影；循环神经网络；长短时记忆网络；防止过拟合技术；精度；留一法　　中图分类号：TP391.4文献标志码：A：1006-8228（2017）04-13-04　　Abstract：TheexistingresearchonmicroexpressionrecognitionismainlybasedontheimprovedLBP（localbinarypatterns）algorithmandSVM（supportvectormachine）.Recently，integralprojectionhasbeen

3、appliedinthefieldoffacerecognition.Thelongandshortmemoryeseriesdata.SoLSTM-IPmodel，entedonthelatestmicro-expressiondatabaseCASMEII.ThehorizontalandverticalprojectionvectorsobtainedbyintegralprojectionareusedastheinputofLSTMandclassified，andtheover-fittingpreven

4、tingmethodisused.Theexperimentalresultsshogetsbetterresultsthanthepreviousmethod.　　Keyemory可以对时序数据进行分类，以前基本用在语音识别和自然语言处理的任务中，很少用于图像识别，可能是因为LSTM处理的是一维的数据，而图像是二维的数据。将图像的二维信息积分投影到一维（水平方向和垂直方向），并以此作为LSTM的输入并分类，这样就能将二者很好的结合起来。　　本文构造了基于积分投影和LSTM的深度学习的模型来对微表情进行识别。得到的结

5、果不仅比以前的基于局部二值模式（LBP）的方法好，而且也略微的优于最近基于积分投影的论文中的方法。　　1CASMEII微表情数据集介绍　　2014年，中科院心理研究所建立了更进一步改进的自然诱发的微表情数据库CASMEII[8]。CASMEII有26个平均年龄为22岁左右的亚洲人，9类表情（happiness，surprise，disgust，fear，sadness，anger，repression，tense，negative）组成。用来录制的高速相机为200fps。高速相机可以捕捉更细节的微表情。CASMEII

6、是据我们所知目前最好的自然诱发的微表情数据库。　　2基于差分图像的积分投影　　Mateos等人的开拓性工作[6-7]表明积分投影可以提取同一人脸图像的共同基本特征。积分投影将人脸的特征水平和垂直投影，可以用公式⑴和⑵表示：　　其中It（x，y）表示时间为t时，图像位于（x，y）时的像素值，Ht（y）和Vt（x）表示水平和垂直积分投影。直接将积分投影应用到CASMEII微表情数据集上效果如图1所示。　　然而，由于微表情的变化是十分微小的，若直接采用上面的积分投影会有很多噪声，从图1（c）可以看出区分不是很明显。因此，我

7、们采用改进的积分投影方法。可以用公式⑶和⑷表示：　　我们将每个视频下的2到N帧微表情的图像减去第1帧，将得到的差分图像做积分投影，效果如图2所示。　　从图2的（c）可以看出，采用基于差分图像的水平积分投影效果更好，去掉了不必要的噪声。