微表情识别中面部动力谱特征提取的PCA改进

针对用于人脸微表情识别的面部动力谱特征(FDM)提取方法中迭代算法抽取时空立方体主方向时时间复杂度高的问题,提出基于主元分析(PCA)的改进算法。首先将数据中心平移到原点,其次估计相关矩阵,最后估计其特征向量和特征值,取最大特征值对应的特征向量方向作为时空立方体的主方向。采用Oulu大学SMIC微表情数据库中的微表情片段作为实验样本,选择支持向量机(SVM)作为分类器,对改进算法和原算法进行人脸微表情识别对比实验。结果表明,两种算法识别率相近,但改进算法在计算时间上远短于原算法。可见,改进算法在准确找出时空立方体主方向的同时,能大大降低原算法的计算复杂度。

结合FDM与STLBP-IP特征的微表情识别

针对面部动力谱(FDM)特征易受光照影响、对运动信息描述不准确的缺陷,提出基于FDM特征与时空局部二值模式积分投影(STLBP-IP)特征相结合的微表情识别方法。将FDM特征与STLBP-IP特征相结合,在弥补FDM对运动信息描述不足的同时对人脸面部信息进行补充描述以提升识别率。使用支持向量机进行分类,在SMIC和CASMEⅡ微表情数据库上进行实验。实验结果表明,该算法识别率有所提高,分别达到57.14%和64.59%。