检索结果-内蒙古大学图书馆

浙江大学学报（工学版） 2020年第11期54卷 2128-2137页

作者：付晓峰牛力胡卓群李建军吴卿杭州电子科技大学计算机学院浙江杭州310018

为了更准确地从视频中检测面部微表情,针对微表情数据库样本规模较小的特点,采用迁移学习方法将深度卷积神经网络应用于微表情检测问题.选取预训练过的深度卷积神经网络模型,保留卷积层及预训练参数,添加全连接层和分类器,构造一个二分... 详细信息

为了更准确地从视频中检测面部微表情,针对微表情数据库样本规模较小的特点,采用迁移学习方法将深度卷积神经网络应用于微表情检测问题.选取预训练过的深度卷积神经网络模型,保留卷积层及预训练参数,添加全连接层和分类器,构造一个二分类的微表情检测深度网络(MesNet).为了去除微表情数据库中影响网络训练的噪声标签,提出过渡帧的概念和自适应识别过渡帧算法. MesNet在CASME Ⅱ、SMIC-E-HS与CAS(ME)2数据库上的曲线下面积(AUC)分别达到0.955 6、0.933 8与0.785 3,其中在CASME Ⅱ短视频数据库和CAS(ME)2长视频数据库上均取得最优结果,表明MesNet具有高精度和广适用范围的特点;过渡帧对比实验结果表明,构造训练集时从原始视频中去除过渡帧能够有效提高MesNet微表情检测性能.

关键词：微表情检测迁移学习深度卷积神经网络二分类过渡帧

来源：评论

学校读者我要写书评

暂无评论

基于人类注意机制的微表情检测方法

引用

心理科学进展 2022年第10期30卷 2143-2153页

作者：李婧婷东子朝刘烨王甦菁庄东哲中国科学院行为科学重点实验室(中国科学院心理研究所) 北京100101 中国科学院大学心理学系北京100039 中国人民公安大学公共安全行为科学实验室北京100038

微表情是一种持续时间极短、不易被察觉的面部动作,揭示了个体的真实情绪,可以被广泛地应用于谎言识别等领域。而微表情检测的研究受到小样本问题的限制。针对该问题,本文结合计算机视觉技术与认知心理学实验方法进行探索。首先,结合眼... 详细信息

微表情是一种持续时间极短、不易被察觉的面部动作,揭示了个体的真实情绪,可以被广泛地应用于谎言识别等领域。而微表情检测的研究受到小样本问题的限制。针对该问题,本文结合计算机视觉技术与认知心理学实验方法进行探索。首先,结合眼动技术和呈现−判断范式与阈下情绪启动效应的行为实验范式,考察微表情识别中选择注意分配的认知机制,细化人类识别微表情时的特征兴趣区域。其次,结合人类注意机制,提出基于自监督学习的多模态微表情检测方法。通过理论和关键技术的突破,为真实场景下微表情检测的应用奠定基础。

关键词：微表情检测小样本问题人类注意机制自监督学习深度信息

来源：评论

学校读者我要写书评

暂无评论

微表情检测与识别算法研究

微表情检测与识别算法研究

引用

作者：张佳琪天津大学

学位级别：硕士

微表情是人在试图隐藏其内心真实情绪时呈现于面部的一种特殊表情,非常短暂、微弱,且不受个人意志控制。自动微表情分析包含两个子任务:检测和识别。即使是实验室环境下采集的微表情视频序列,也不可避免的会包含头动、嘴动、眨眼等无关... 详细信息

微表情是人在试图隐藏其内心真实情绪时呈现于面部的一种特殊表情,非常短暂、微弱,且不受个人意志控制。自动微表情分析包含两个子任务:检测和识别。即使是实验室环境下采集的微表情视频序列,也不可避免的会包含头动、嘴动、眨眼等无关运动和噪声,微表情容易湮没其中,因此微表情检测非常具有挑战性。目前,对微表情的研究多从识别入手,而检测相关的工作较少。考虑到实际应用中,检测是前提条件,识别是最终目的,二者缺一不可,本文同时对这两个任务开展研究。现有检测算法大多采用基于滑动窗口的特征差值分析模型,并从特征层面进行改进,却未考虑单个滑动窗口对于不同微表情的适用性。针对微表情动作区域少的问题,现有识别算法大多利用运动强度对特征加权,包含进了表情无关的运动和噪声,且未考虑不同动作区域之间的相互关系及动作区域组合与微表情类别的对应关系。因此,本文针对以上问题,提出如下两个方案:(1)持续时间与过渡模式感知的微表情检测方法。考虑到微表情持续时间与过渡模式的多样性,提出利用多个不同尺度和模式的滑动窗口对视频序列进行特征差值分析,以提高检测模型对于不同微表情的鲁棒性。此外,设计了基于多数投票机制的整合模块,以融合多个窗口的分析结果,得到候选峰帧的位置。在此基础上,提出一种简单有效的区间生成方案,以获取更准确的区间边界。实验结果表明,所提出方法在两个公开长视频微表情数据库上的性能优于现有的最优检测算法,且该方法是独立于特征和模型的,具有一定的泛化能力。(2)基于一二阶运动与关键人脸部位位置指导的微表情识别方法。考虑到微表情对应的肌肉运动通常只发生在几个关键人脸部位及其周围区域,引入人脸解析得到的关键人脸部位分割概率图作为先验知识,以指导网络进行特征学习。此外,设计了五官感知注意力模块,学习不同动作区域之间的关系,以增强当前表情相关的特征,抑制无关运动和噪声。在此基础上,提出并行浅层残差网络作为微表情识别网络,两个支路分别以一阶和二阶运动特征作为输入,减少参数量的同时仍保证了模型具有较强的特征表示能力。实验结果表明,所提出方法的性能优于现有大多数识别算法。

关键词：微表情检测集成学习多尺度&多模式滑动窗口微表情识别五官感知注意力并行浅层残差网络一阶及二阶运动特征

来源：评论

学校读者我要写书评

暂无评论

微表情检测与主动学习方法研究

微表情检测与主动学习方法研究

引用

作者：任亿山东大学

学位级别：硕士

微表情是具有较短间隔、较小幅度、较少运动区域且不受心理控制等特点的面部表情。由于微表情特殊的心理产生机制,当出现微表情时往往代表着人在抑制其真实的情感。因此,微表情的研究在国防安全、临床诊断和案件侦破等领域具有一定实际... 详细信息

微表情是具有较短间隔、较小幅度、较少运动区域且不受心理控制等特点的面部表情。由于微表情特殊的心理产生机制,当出现微表情时往往代表着人在抑制其真实的情感。因此,微表情的研究在国防安全、临床诊断和案件侦破等领域具有一定实际意义。由于微表情的特殊性,很难通过肉眼识别微表情。随着在计算机视觉和模式识别等领域的发展,微表情检测和识别技术取得了很多成果。但在检测微表情时,现有的检测算法存在一定的缺陷,其检测出的微表情片段是间断性的,且检测效果并不理想。另外,由于微表情的采集和标定难度很大,耗时耗力,成本较高,导致了微表情数据库的样本数量不足,这极大地限制了微表情识别算法的研究,因此如何挑选出少量的样本尽可能地提高微表情识别性能是相当重要的。针对上述问题,本文主要对微表情检测与主动学习方法进行了研究。在微表情检测方面,提出基于感兴趣区域的光流特征矢量模值与角度相结合的微表情检测算法,同时,在微表情识别方面,提出两种基于主动学习的微表情识别算法。本文主要工作和创新点如下:第一,微表情检测是在视频中检测出微表情,并定位起始帧、高潮帧和终止帧。本文提出基于感兴趣区域的光流特征矢量模值与角度相结合的微表情检测算法。根据不同表情FACS运动单元的运动特点,提出人脸感兴趣区域的划分方法;提出光流模值与角度相结合的方法;并根据这些感兴趣区域,综合整个人脸的全部和局部AU运动单元,并提出一种新的决策准则,形象直观地检测出微表情片段,大大提高了微表情检测效果。第二,由于微表情采集和标定难度很大,费时费力,成本较高,导致了微表情数据库的样本数量不足,限制了微表情自动识别的研究及应用,微表情识别性能较低。如何挑选少量的样本提高微表情识别性能是非常重要的。因此,本文提出两种基于主动学习的微表情识别算法:A:基于信息与代表性主动学习的微表情识别算法,通过找到使目标函数最小的样本,找出既能提供信息又具有明显代表性的样本,它是在基于主动学习的最小最大化视图上提出的一种系统化的算法来衡量信息的准确性和代表性。该算法有利于挑选出有效的样本,用最小的花费得到较有效的数据集。B:基于边缘概率分布匹配的批量模式主动学习的微表情识别算法,目的是保证分类器在具有相似分布的标记数据上学习,具有相似分布的数据能代表未标记数据,因此对未标记数据以及来自同一分布的未标记数据有良好的泛化性能。该算法可以一次查询指定数量的样本,且样本之间提供的信息是全面的,这样做可以避免重复迭代的过程,降低时耗,减小冗余信息,尤其是当数据量很大的时候,有效利用资源。

关键词：微表情微表情检测微表情识别主动学习

来源：评论

学校读者我要写书评

暂无评论

基于多尺度时空注意力网络的微表情检测方法

引用

计算机工程 2024年第6期50卷 228-235页

作者：于洋孙芳芳吕华李扬王晓民河北工业大学人工智能与数据科学学院天津300401 天津市农业科学院信息研究所天津300192

微表情可以揭示人们试图隐藏的真实情绪,为刑事侦查、心理辅导等提供潜在的信息。现有微表情检测方法主要在获取空间特征的基础上提取时间特征以构建时空特征,这种处理方式容易导致时间特征失真,同时在空间处理过程中会破坏原有时序关系... 详细信息

微表情可以揭示人们试图隐藏的真实情绪,为刑事侦查、心理辅导等提供潜在的信息。现有微表情检测方法主要在获取空间特征的基础上提取时间特征以构建时空特征,这种处理方式容易导致时间特征失真,同时在空间处理过程中会破坏原有时序关系,降低微表情时空特征的判别性。针对这一问题,提出基于多尺度时空注意力网络的微表情检测方法。利用包含时间和空间关系的三维卷积神经网络(3DCNN)对微表情序列进行处理,获取兼顾时间域和空间域的鲁棒性特征。构建多尺度时间输入序列,从不同时间长度的图像序列中提取多维时间特征,采用轻量级3DCNN提取多尺度时空特征,利用全局时空注意力模块(GSAM)对时空特征进行全局性时空关联加强,其中时空重组模块用于加强不同时刻图像帧之间的连通性,全局信息关注模块构建单帧图像上的空间关联信息,最后对不同时刻的特征赋予权重以突出关键时间信息,有效完成微表情检测工作。实验结果表明,该方法可以准确检测出微表情序列片段,在CASME、CASME II和SAMM公开数据集上的准确率分别达到92.32%、95.04%和89.56%,相比目前最优的深度学习方法LGAttNet,所提方法在CASME II和SAMM数据集上的准确率分别提高了3.84和4.96个百分点。

关键词：微表情检测三维卷积神经网络时空特征多尺度特征关联性

来源：评论

学校读者我要写书评

暂无评论

基于光流和自编码器的微表情检测方法

引用

计算机应用与软件 2023年第9期40卷 171-176页

作者：黄树成罗德广江苏科技大学计算机学院江苏镇江212003

微表情检测广泛应用在谎言识别、心理健康和情感分析等场合,构建微表情检测模型需要充足的训练数据,但是标注微表情需要过高的成本,导致自发性微表情样本库数量过少,给微表情检测带来了极大的挑战。针对这个挑战提出一种新的微表情检测... 详细信息

微表情检测广泛应用在谎言识别、心理健康和情感分析等场合,构建微表情检测模型需要充足的训练数据,但是标注微表情需要过高的成本,导致自发性微表情样本库数量过少,给微表情检测带来了极大的挑战。针对这个挑战提出一种新的微表情检测方法FLOW-AENET:提取人脸的光流特征,将光流特征作为自编码器的输入,利用深度学习模型对特征进行处理,再将学习到的特征加入SVM分类器中做二分类,在含有微表情的一类中,根据ROIS区域的变化程度判断出微表情产生的起始帧、顶峰帧和结束帧。在CASEME、CASME II等数据集上进行实验研究,结果表明,FLOW-AENET方法相比于其他方法具有明显的优势。

关键词：微表情检测光流特征自编码器 SVM分类器

来源：评论

学校读者我要写书评

暂无评论

一种视频微表情检测的改进光流算法

引用

图学学报 2018年第3期39卷 448-452页

作者：李秋宇张玉明杨福猛詹曙合肥工业大学计算机与信息学院安徽合肥230009 芜湖职业技术学院电气工程学院安徽芜湖241000 安徽信息工程学院安徽芜湖241000

微表情是人们在试图隐藏自己真实情感时表现出的不受自主神经控制、持续时间短暂,强度十分微弱的面部表情。由于微表情与谎言识别有着密切的联系,其公共安全、侦查讯问、临床医学等领域有很大的应用前景。针对人为识别微表情十分困难的... 详细信息

微表情是人们在试图隐藏自己真实情感时表现出的不受自主神经控制、持续时间短暂,强度十分微弱的面部表情。由于微表情与谎言识别有着密切的联系,其公共安全、侦查讯问、临床医学等领域有很大的应用前景。针对人为识别微表情十分困难的问题,提出一种基于Horn-Schunck(HS)光流法改进并应用于微表情自动检测的方法。使用预条件Gauss-Seidel迭代方法改进了HS光流法,加快了收敛速度。通过在自发微表情数据库CASME中进行实验,该验证方法在微表情检测中有很好的效果。

关键词：微表情检测光流法预条件迭代

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络和滑动窗处理的微表情检测

基于卷积神经网络和滑动窗处理的微表情检测

引用

作者：张志豪西南大学

学位级别：硕士

人脸表情传递着丰富的情感信息。微表情是人们试图隐藏或者抑制自身真实情感时泄露出的面部表情,具有持续时间短、表现强度低和仅牵涉面部部分区域的特点。由于微表情不受人自主控制,所以通过微表情来判断人类情感更加可靠。微表情在谎... 详细信息

人脸表情传递着丰富的情感信息。微表情是人们试图隐藏或者抑制自身真实情感时泄露出的面部表情,具有持续时间短、表现强度低和仅牵涉面部部分区域的特点。由于微表情不受人自主控制,所以通过微表情来判断人类情感更加可靠。微表情在谎言识别、心理治疗以及公共安防等领域存在潜在性的应用。现今大部分与微表情相关的工作往往聚焦于微表情识别,而微表情检测的研究相对滞后。微表情检测是从视频中定位微表情发生的时间点,是微表情识别的先导步骤。另外,自动的微表情检测也可以克服人工标注费时、费力的困难。目前微表情检测的相关工作中,均依靠手工设计特征,这种方法严重依赖研究者的经验知识;除此之外,传统检测算法往往将与参考帧具有最大特征差异的帧视为微表情顶帧,这样会造成其他形式的面部运动(如眨眼)影响检测结果。针对上述问题,本文提出一种基于卷积神经网络和滑动窗处理的方法检测长视频中的自发微表情,这是深度学习在微表情检测上的第一次尝试。该方法首先训练卷积网络(SMEConvNet)以自动提取长视频的特征向量;随后结合微表情呈现的时间特性,利用基于滑动窗的特征矩阵处理方法检测顶帧,避免眨眼等干扰运动对微表情检测的影响。在CASMEⅡ的实验结果表明,相较于传统的检测算法(LBP,Optical Strain),提出的方法在检测的MAE(Mean Absolute Error)上分别有12%,18.5%的提升。

关键词：微表情检测顶帧卷积神经网络滑动窗处理眨眼

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的微表情检测与识别技术研究

基于卷积神经网络的微表情检测与识别技术研究

引用

作者：宋延新山东大学

学位级别：硕士

微表情是一种持续时间短、运动幅度小和非自愿的面部表情,通常发生在一个人故意或不自觉地隐藏他或她的真实情感时,这为揭示人们的真实心理或情绪提供了理论依据。因为微表情可以揭示人们真正的心理状态,已成为人类情感和情感现象理解... 详细信息

微表情是一种持续时间短、运动幅度小和非自愿的面部表情,通常发生在一个人故意或不自觉地隐藏他或她的真实情感时,这为揭示人们的真实心理或情绪提供了理论依据。因为微表情可以揭示人们真正的心理状态,已成为人类情感和情感现象理解的重要课题,被心理学、社会学、神经科学、计算机视觉等各个学科所探索。这些技能对心理治疗师、面试官和任何从事沟通工作的人都具有实际应用意义。在刑侦审判、安全防护、心理咨询等领域有重要的应用。随着计算机视觉技术的飞速发展,微表情检测和识别技术也层出不穷,越来越多的技术应用到微表情检测和识别中去,但是大部分检测和识别算法仍存在不足之处。起始结束帧的检测方法常常使用微表情序列的最大时长作为滑窗的大小,或者通过定位高潮帧,之后取高潮帧前后一定间隔作为起始帧和结束帧,固定了微表情的时长;且将微表情检测看成是分类任务,不能反映候选滑窗属于微表情片段的程度大小,导致起始帧结束帧预测不准确。微表情识别的最大困难在于数据库的样本数量有限以及样本之间的细微差异,使得识别率无法进一步提升。为了解决上述问题,本文借助BERT网络和三维卷积神经网络学习微表情序列更细微的特征,借助分组算法更加准确的定位微表情的起始帧和结束帧。借助对比学习的思想,学习不同模态的共享信息,使得在有限的数据样本情况下,学习到更强的特征表达。具体而言,主要贡献如下:●提出了基于BERT网络的微表情检测算法。该算法主要包括三部分:候选片段产生模块、时空特征提取模块和分组模块。具体而言,利用候选片段产生模块,将微表情序列划分为若干个小尺寸微表情候选片段;为了学习微表情片段中的细微特征,时空特征提取模块将候选片段分成不同的时隙,利用三维卷积神经网络学习时隙内的特征,利用BERT网络学习时隙间的特征;同时,为了准确刻画候选片段属于微表情片段的程度大小,采用了回归损失优化模型;为了准确地定位微表情的起始帧结束帧位置,使用了分组算法对连续的候选片段进行合并,并对重叠的片段进行抑制。在CASMEⅡ和SDUspotting数据上进行了大量的实验,结果表明,本方法具有更高的检测准确率。●提出了基于双模态对比学习的微表情识别网络。该网络主要包括三个模块:双模态特征提模块、双模态对比学习融合模态和分类识别模块。具体而言,因为数据库样本数量有限,而样本不仅包含情绪类别的特征,还包含样本之间的通用特征。所以首先将微表情序列分成RGB序列和光流序列;之后利用对比学习构建RGB序列和光流序列之间的对比学习损失,使得网络可以学习到两种模态的通用特征;为了学习到微表情的类别信息,本文将模态特征进行融合,并利用标签数据优化模型。保证网络在通过对比学习学习到两种模态之间的共享信息的同时,又能通过监督学习学习到不同类别的特征。此方法在CASME Ⅱ、SAMM和MMEW上进行了广泛的实验,验证了所提算法的有效性。

关键词：微表情检测微表情识别三维卷积神经网络 BERT网络对比学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的微表情检测方法

基于深度学习的微表情检测方法

引用

作者：罗德广江苏科技大学

学位级别：硕士

人脸表情是情感信息的一种重要的表达方式,而微表情是一种不被神经系统所控制的面部表情表达方式,通常情况下,微表情往往表达为个人真实的情感,因此微表情检测在公共安全和医学上具有广泛的应用。微表情具有不易察觉的特性,如果只是通... 详细信息

人脸表情是情感信息的一种重要的表达方式,而微表情是一种不被神经系统所控制的面部表情表达方式,通常情况下,微表情往往表达为个人真实的情感,因此微表情检测在公共安全和医学上具有广泛的应用。微表情具有不易察觉的特性,如果只是通过肉眼所观察是十分困难的,所以一些关于微表情的研究更加集中于如何发现微表情以及识别微表情。现有的大多数的微表情检测方法都是提取出微表情的一些运动特征,只是考虑了特征的空间性,却没有考虑时空局部特征之间的差异。由于微表情视频的复杂性,时空特征会影响最终微表情检测效果。通常而言,对一段完整的微表情视频,在时间维度而言,只有几帧会存在着微表情的变化,其他帧可能出现灯光,头动等引起的变化。在空间维度上,一帧图片中不是所有的区域信息都对我们有用。另一方面,微表情检测需要充足的训练数据,但是标注微表情需要昂贵的成本,为了解决这些问题,本文主要做了以下工作:（1）提出一种新的特征学习方法,将采集到的微表情视频转换为图片帧序列,对图片帧进行裁剪,裁剪为指定大小,加以对齐操作,用对齐以后的图片帧序列进行光流算法计算,得到光流图片帧数据集,通过光流算法可以将每张灰度图片看作为一个三维的向量（x,y,t）,在一段连续变化过程中,得到两帧图的运动变化矢量,通过算法处理后的数据集传入到一个深度学习模型中,通过学习可以得到更加准确的运动特征。（2）提出了一种基于时间序列信息的特征提取方法（FLA-NET）,可以使得提取出的特征具有时序性。它可以在无监督的学习方式下对连续的视频帧进行特征的学习。该方法的提出可以在考虑帧特征空间信息的同时加入了时间维度上的特征变化机制,在自编码器模型中加入LSTM模型,根据LSTM的权值共享特性,在一定程度上不会因为增加了时序性而大幅度提高网络模型的复杂度,加入了LSTM时序模型结构使得网络在学习的过程中根据时间维度上的变化去关注具有变化意义的区域,这样有助于学习一个深度神经网络来计算每个视频段的运动特征信息,从而完成微表情检测任务。（3）在CASMEⅡ和CAS（ME）2这两个公开数据集上进行了大量实验,并且与一些目前研究效果较好的方法进行比较,结果表明加入了时序的模型提高了微表情检测的准确性。引入LSTM时序网络模型以后的新模型机制在无监督的训练方式下,可以使微表情运动信息在空间和时间维度上被准确的提取出来。

关键词：微表情检测光流 LSTM模型时序信息

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：