基于LBP-TOP特征的微表情识别方法及58.98%准确率

本文主要探讨的是"基于LBP-TOP特征的微表情识别"这一主题，它发表于2017年12月的《南京邮电大学学报》(自然科学版)第37卷第6期。微表情是指人们在试图掩饰情绪时，无意间流露出来的短暂且强度较弱的面部表情，其识别具有挑战性，尤其是因为它们的瞬息即逝和微妙变化。 研究者卢官明、杨成、杨文娟、闫静杰和李海波针对这一问题，提出了一种创新的方法。他们采用了Local Binary Pattern from Three Orthogonal Planes (LBP-TOP)特征提取技术，这是一种用于捕捉图像局部纹理信息的常用方法，在微表情分析中有助于捕捉面部细微变化。LBP-TOP通过对面部图像进行三维局部二值模式分析，能够提取出更为精确的特征表示。 为了进一步处理和优化这些特征，研究人员结合了ReliefF（一个基于距离的特征选择算法）和局部线性嵌入（Local Linear Embedding，LLE，一种非线性降维技术），对提取的LBP-TOP特征向量进行降维处理。这样做旨在减少特征维度，提高模型的效率和准确性，同时保持关键信息不丢失。 最后，他们使用了支持向量机(Support Vector Machine，SVM)分类器，特别采用了径向基函数(Radial Basis Function，RBF)核，对微表情进行五类分类：高兴、厌恶、压抑、惊讶和其他。在CASME II微表情数据库上，采用Leave-One-Subject-Out Cross Validation (LOSO-CV)方法进行实验，得到了58.98%的分类准确率，这证明了他们提出的算法在实际应用中的有效性。 文章的关键词包括微表情、LBP-TOP、局部线性嵌入、ReliefF和支持向量机，这些词汇突出了研究的核心技术和方法。整个研究不仅关注了微表情的识别问题，还展示了如何通过结合不同特征提取和机器学习技术来提升识别性能，这对于微表情研究领域以及相关的人工智能和计算机视觉应用具有重要意义。