基于深度學(xué)習(xí)的微表情特征提取算法設(shè)計與實現(xiàn).pdf

1、國內(nèi)外的個人極端行為、危及公共安全的事件呈上升態(tài)勢，如網(wǎng)絡(luò)謠言、公交縱火和駕車沖撞敏感區(qū)域等。為了對危險行為預(yù)警，相關(guān)組織和人員開始研究自動預(yù)警技術(shù)。表情是人類表達(dá)情感的重要非言語行為，可作為危險行為預(yù)警過程的重要線索。目前針對表情的研究雖已取得了一些成果，但關(guān)注的多是普通表情。除了普通表情，還存在難以被覺察的微表情，其持續(xù)時間非常短，與潛在意圖關(guān)系密切，這種表情即為微表情。
　　針對微表情特征提取是一項交叉性的研究課題，涉及計算

2、機、信號與信息處理和臨床心理學(xué)等多個學(xué)科，具有重要的理論研究和實際應(yīng)用意義，有助于促進(jìn)各研究領(lǐng)域的相互交流和推進(jìn)相關(guān)技術(shù)的發(fā)展。本文重點研究了基于深度學(xué)習(xí)的微表情特征提取算法，對微表情的激活度(Arousal，情緒是覺醒還是昏睡的程度)、效價（Valence，情緒表現(xiàn)積極還是消極）、期望度（Expectation，情緒是驚奇的程度）、強度（Power，受外界影響時控制自己情感的程度）四個情感屬性進(jìn)行了預(yù)測分類。最后，將預(yù)測值經(jīng)過一個一維

3、中值濾波進(jìn)行規(guī)整。論文的主要工作包括:
　　(1)提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的微表情特征提取算法。與傳統(tǒng)的特征提取方法(基于梯度的特征提取算法(HOG)、基于局部紋理的特征提取算法(LBP))相比，本文算法所采用的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)對人臉表情表現(xiàn)比較集中的地方，如眼角、嘴角等部位激活了更多節(jié)點，這樣一方面能夠從原始數(shù)據(jù)中學(xué)習(xí)到具有較高表現(xiàn)力的微表情描述特征，另外可使算法性能不依賴于精確的面部檢測和定位過程。
　　(2