面向高效鲁棒自发性面部微表情识别的扩展局部二值模式
计算机视觉与模式识别
2019-09-18 v2
摘要
面部微表情（MEs）是当一个人经历情绪但有意或无意试图掩饰其真实情绪时出现的自发性、不自主面部运动。近来，由于其在临床诊断、商务谈判、审讯和安全等方面的潜在应用，ME 识别吸引了越来越多的关注。然而，构建大规模 ME 数据集成本高昂，主要由于诱发自发性 ME 的困难。这限制了需要大量训练数据的深度学习技术的应用。本文中，我们提出一种简单、高效且鲁棒的描述子，称为三正交平面上的扩展局部二值模式（ELBPTOP），用于 ME 识别。ELBPTOP 由三个互补的二值描述子组成：LBPTOP 以及两个新颖的径向差分 LBPTOP（RDLBPTOP）和角向差分 LBPTOP（ADLBPTOP），它们探索 ME 视频序列中沿径向和角向的局部二阶信息。ELBPTOP 是受独特而细微面部运动启发的新型 ME 描述子。它计算高效，仅边际增加计算 LBPTOP 的代价，却对 ME 识别极为有效。此外，通过首次将白化主成分分析（WPCA）引入 ME 识别，我们可进一步获得更紧凑且更具判别性的特征表示，从而显著节省计算量。在 SMIC、CASME II 和 SAMM 三个流行自发性 ME 数据集上的大量实验评估表明，我们提出的 ELBPTOP 方法在所有三个单一评估数据集上显著优于先前最优方法，并在跨数据库识别上取得有前景的结果。我们的代码将公开。
引用
@article{arxiv.1907.09160,
title = {Extended Local Binary Patterns for Efficient and Robust Spontaneous Facial Micro-Expression Recognition},
author = {Chengyu Guo and Jingyun Liang and Geng Zhan and Zhong Liu and Matti Pietikäinen and Li Liu},
journal= {arXiv preprint arXiv:1907.09160},
year = {2019}
}