面部动作单元检测中降维技术的实证研究

受生物启发特征（如Gabor滤波器）会产生非常高维的测量。降低特征空间的维度除了计算效率外是否还有其他优势？一些降维（DR）方法是否能改善动作单元检测？为回答这些问题，我们在两个相对较大的自发面部行为数据库（共45名被试，每人超过2分钟FACS编码视频）中比较了DR方法。使用主动表观模型（AAM）跟踪并对齐面部特征。从局部面部区域提取SIFT和Gabor特征。我们比较了线性（PCA和KPCA）、流形（LPP和LLE）、监督（LDA和KDA）以及混合（LSDA）降维方法在AU检测上的表现。为进一步比较，还包含了无降维的对照条件。使用具有独立训练集和测试集的线性支持向量机分类器进行AU检测。AU检测通过ROC曲线下面积和F1度量。基于Gabor特征的PCA基线结果与先前研究相当。除一些显著例外，降维相比无降维改善了AU检测。局部嵌入方法被证明易受样本外问题影响。基于梯度的SIFT比基于滤波器的Gabor特征带来更好的AU检测。对于ROC曲线下面积，线性与其他DR方法间差异很小。对于F1，结果不一。对于两个指标，结果模式在不同动作单元间存在差异。这些发现表明，动作单元检测可通过针对特定动作单元使用特定降维来优化。PCA和LDA是最有效的方法；KDA效率最低。