微表情检测与定位关键技术研究

《微表情检测与定位关键技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：公开：１０００４密级齡交道乂攀ＢＥＩＪＩＮＧＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ硕±学位论文微表情检测与定位关键技术硏究作者姓名郑亚男学科专业模式识别与智能系统指导教师安高云副教授培养院系计算机与信息技术学院二‘．ｆ＇呼＾１門ｆ’：ｆ满；ｆ：織踊Ｉｆｆｆ、ｆ葡鼠忘爾Ｗ．１．奇狼讀二零－六年；月溫ｉ護ｔＪｈ將《道乂攀硕±学位论文微表情检测与定位关键技术研究ＫｅｙＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈａｂｏｕｔＭ－ｉｃｒｏＥｘｒｅｓｓｉｏｎｏｆＤｅ把ｃｔｉｏ

2、ｎａｎｄＬｏｃａｔｉｏｎｐ作者：郑亚男导师：安高云北京交通大学２０化年４月学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可Ｗ将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并采用影印、缩印或扫描等复制手段保存、汇编Ｗ供查阅和借阅。同意学校向国家有关部口或机构送交论文的复印件和磁盘。学校可レッ为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：玉＾导师签名：签字日期？：＞４年Ｊ月日签

3、字日期：日：＾／／年；月？学校代码：１０００４密级：公开北京交通大学硕±学位论文微表情检测与定位关键技术研究ＫｅＴｅｃｈｎｏｌｏＲｅｓｅａｒｃｈａｂｏｕｔｙｇｙＭ－ｉｃｒｏＥｘｒｅｓｓｉｏｎｏｆＤｅ化ｃｔｉｏｎａｎｄＬｏｃａｔｉｏｎｐ１３１２０３７８作者姓名：郑亚男学号：导师姓名：安高云职称：副教授学位类别：工学学位级别：硕±学科专业：模式识别与智能系统研究方向：表情识别北京交通大学２０１６年４月Ｉ致谢时光谨菩，，两年多的研究生生活即将结束，回首过往在这段时间中积累的学术知识、同学间的友

4、谊、老师的教导都将成为我人生中最宝贵的财富，在此要向他们表达我最真诚的谢意。一本论文的完成不仅承载了每份研究成果，而且里面蕴含了我的导师安高云老师的耐也指导，安高云老师严谨的教学态度和专注的科研精神深深的影响我，同时老师科学、高效的工作方法也让我学到了很多。从开始确定研究方向、开题答辩、研究工作进展、论文发表Ｗ及最终硕±论文完成，老师帮我查阅了很多资料，常常在疑惑不解时，终能得到老师的点拨和开导。生活中，安高云老师在经济上更是尽为帮助我，发补助、増加电脑配置Ｗ得到更高效的工作效率，点滴中、透露出老师对我的关也，我也将这点点滴滴牢记屯中。在此向安高

5、云老师表示衷屯、的感谢和诚擎的敬意。一同时感谢和我起学习和工作的同学：王松芳、张丹、冯星辰、韩丽晓、李凯月等。对算法理解不通时，与她们的相互讨论，可［＾让我茅塞顿开；调试程序时，，同学的出手相助，让我更是感觉群众力量么大；在论文撰写期间特别感谢她们提供的相关资料，在此向他们表达我的感激。此外一，感谢直支持我、理解我、鼓励我的父母，他们电话中的问候和默默的理解是我坚持的动力，感谢他们的陪伴和支持，同时也感谢我亲爱的姐姐，因她陪伴在父母身边，让我可Ｗ专也完成学业，感谢姐姐的理解。－北京交通大学硕ｉ：学位论文摘要摘要一、真实情感的行为微表

6、情是种不受人类刻意控制、由内而外自发表达内屯，通过这种短暂、细致的真实反应提取有效非言语线索，可Ｗ准确洞察人类私理活，动，相关研究涉及临床也理学及计算机科学中多个研究领域在临床医学、国家安全、司法侦讯等领域具有实际应用意义。本文重点对微表情检测与定位关键技术进行研究，主要研巧内容包括Ｈ个方面：（１）在对传统局部时空兴趣点检测算法研巧分析基础上，提出了基于ＭｏＳ圧Ｔ和词袋模型的微表情兴趣点检测及特征描述算法。所提算法不需要提前定位感兴趣区域，继而同时，而是直接对视频流中每侦图像进行局部时空特征提取选用梯度方向直方图和光流方向直方图作为特征描述子获

7、取视频片段的空间和时间特征。－ｍｅａｎｓ算法聚（２）为获得更加紧凑、准确的特征表示，所有微表情特征通过Ｋ类得到视觉词典，为克服传统矢量编码方法重构误差较大的不足，本文采用同一步正交匹配追踪将每个特征映射到视觉词典中，获得微表情特征的稀疏表示，并用于后续的识别和预测。－（３）论文选用Ｋ近邻和支持向量回归对前面所提特征进行了实验分析。在ＣＫ＋数据库上，对数据库中四种典型表情进行分类，通过兴趣点可视化和识别率对比了ＳＵＰ和ＭｏＳＩＦＴ两种检测方法，结果显示Ｍｏ