[发明专利]一种基于运动单元的多域融合微表情检测方法

说明书

本发明涉及一种基于运动单元的多域融合微表情检测方法，包含：(1)对微表情视频进行预处理，包括获取视频帧序列、人脸检测与定位、人脸对齐；(2)对视频帧序列进行运动单元检测，获取视频帧序列的运动单元信息；(3)根据运动单元信息，通过半决策算法，找到包含微表情运动单元信息量ME最多的一个面部运动单元子块作为微表情检测区域，同时，通过设置动态阈值，提取微表情运动单元信息量ME的若干峰值帧作为微表情检测的参考高潮帧；(4)通过多域融合的微表情检测方法实现微表情的检测。本发明减少了冗余信息对微表情检测的影响，减少计算量，使微表情检测更具有综合判别力。计算速度快，微表情检测精度高。

技术领域

本发明涉及一种基于运动单元的多域融合微表情检测方法，属于模式识别技术领域。

背景技术

面部表情作为一种典型的非语言交流形式，在人类情感分析中发挥着重要的作用，在各个领域都得到了广泛的研究。其中，人们在一些情况下隐藏或抑制真实的面部表情，微表情会随之产生。微表情典型持续时间为0.065到0.5秒，是一种无意识的、快速的、局部的面部表情，并不像宏表情那样可以被人的思维刻意控制，通常可以揭示人想要隐藏的真实情感。微表情研究在犯罪检测、商业谈判等在各领域有着极大的应用价值和广阔的发展前景。

微表情检测的实质是在一段视频序列中，对其中的微表情起始帧到结束帧进行划分。其中，起始帧是微表情从中性表情开始发生变化的首帧，结束帧是微表情的最后一帧。在现实生活中，由于微表情强度低、持续时间短的特点，很难被肉眼识别，只有经过专门训练过的心理专家才能检测出微表情。但是，通过人工方式检测微表情，一方面准确率依然不高，另一方面耗时过长。随着计算机视觉和模式识别技术的飞速发展，基于计算机技术的微表情检测成为了重要研究课题。

近年来，微表情检测技术取得了很多成果。现有的微表情检测方法主要分为两类:光流特征方法和特征描述方法。

对于基于光流特征的方法，Shreve等人提出了一种两步法，利用光应变模式从人脸视频中分割时间表达式，计算人脸应变图和应变大小。设置应变幅值的全局阈值来区分宏、微表情。该方法在光照变化的条件下具有一定的稳定性。为了获得更好的表现，Shreve等人使用稳健的时空应变特征，消除头部运动和浓妆影响。Patel等人通过整合局部时空区域内的局部光流矢量定位起始和偏移帧，推进微表情区间定位的研究，利用运动特征和方向连续性进行自发微表情检测。

对于基于特征描述符的方法，Polikovsky等人提出了一种带有高速摄像机的3D梯度描述符。他们进一步介绍了一个新的实验装置，以更好地估计准确的位置和脸的方向。Moilanen等人使用局部二值模式(LBP)作为特征描述符，计算序列帧的卡方距离，同时提供面部运动的时空信息。Davison等人使用方向梯度直方图(HOG)作为特征描述符。此外，Yan等人提出了利用约束局部模型(CLM)和LBP特征对面部运动进行量化的初步研究，用于人脸检测和提取纹理信息。在他们的工作中，CLM是从常用的主动外观模型和主动形状模型中衍生出来的，并且可以通过LBP特征来定位峰值帧。在此基础上，Liong等人引入了一种二分搜索策略来更准确地定位峰值帧。

但是，这些方法依然存在一些缺点：往往仅考虑了面部图像中像素点的动态特征(比如光流特征)或仅考虑了纹理特征(比如LBP、HOG特征等)，但是这两种方式均存在局限性；特征运算复杂，计算速度相对较慢；微表情检测效果一般。

发明内容

针对现有技术的不足，本发明提出了一种基于运动单元的多域融合微表情检测方法。

发明概述：