微表情识别方法综述

目的：揭露人内心的真实情感

应用：测谎、反恐、医学

三个步骤：预处理、特征提取、分类

1、预处理

预处理主要包括人脸检测及配准 、 人脸切割和图像归一化

人脸检测及配准：

1. 主动形状模型（ASM）这是一种基于统计学习模型的特征点提取方法 , 主要包括训练和搜索两个部分 。 其优点是能得到有序的特征点, 并且具有较高的精确性和鲁棒性 , 但缺点是容易陷入局部     最小
2. 主动表观建模（AAM）对于侧脸或其他复杂场景 , 依然存在一些问题 , 如 : 容易陷入局部最优解 ,对环境噪声缺乏鲁棒性
3. 局部约束模型（CLM）对候选匹配特征点邻域内的局部区域进行建模并对空间位置 加 以 约 束 。 总 体 来 说 , CLM 分 别 继 承 了ASM 速度快和 AAM 精度高的优点, 在时间效率与配准效果之间 取得了平衡 。 但是 , CLM 算法依然存在以下不足 : 它将各个关键点独立起来 , 从而弱化了关键点间的联系 , 这容易导致配准结果不稳定 。 因 此 , 在 复 杂 环 境 下 难 以 达 到 很 好 的效果
4. .............................................................

人脸切割和图像归一化:

1.   张余敬根据面部特征点和几何模型确定人脸矩形区域并进行剪裁
2. 王建超通过采用联合级联法检测到 27 个面部特征点, 再以该特征点为依据进行人脸切割
3.  Black 等给出了光照变化模型 , 解决了 Gabor 小波不能有效处理人脸局部变亮的问题
4.     ...........................

2、微表情检测及特征提取

基于静态图片：整体法：PCA、ICA、LDA...

                         局部法：Gabor、LBP（LBP - TOP 提取视频或图像序列的纹理特征）

基于动态图片：光流法（OF）

                          模型法（ASM、AAM...）

                          几何法

                          深度学习法

3、微表情分类

GENT-LESVM、RF、ELM、HMM、DBN、CNN