江苏商贸职业学院 电子与信息学院, 江苏 南通 226011
为了提高视频识别领域中微表情识别的准确率, 提出了一种基于长短期记忆网络与特征融合的微表情识别算法。提取微表情图像的颜色特征和纹理特征, 将所提取的空间特征传入卷积神经网络进行融合。设计了学习时域相关性的长短期记忆网络结构, 将融合的特征集传入长短期记忆网络学习微表情的时域特征, 将长短期记忆网络接入分类器网络识别出微表情的类标签。在两个公开的微表情识别数据集上完成了验证实验, 结果显示算法实现了较好的微表情识别性能, 在SMIC数据集和CASME Ⅱ数据集上的准确率分别达到64.7%和65.8%.
长短期记忆网络 模式识别 微表情识别 卷积神经网络 特征提取 特征融合 long short-term memory networks pattern recognition micro-expression recognition convolution neural networks feature extraction feature fusion
天津大学电气自动化与信息工程学院, 天津 300072
直接使用原始微表情序列对微表情进行识别的效果一般,且已有的算法往往利用单一的特征图而没有对多种特征图进行融合来识别微表情。针对这些问题,提出一种新的微表情识别算法,该算法对多种运动特征图进行特征提取之后再进行融合,以获得更准确的识别结果。所提算法利用卷积神经网络(CNN)和长短期记忆(LSTM)网络结合的深度学习框架。在CASMEII微表情数据库上对不同算法进行测试。实验结果表明,与其他识别算法相比,所提算法取得了更加优良的效果。
机器视觉 微表情识别 运动特征图 人脸关键点 光流 光学应变 激光与光电子学进展
2020, 57(14): 141504
