通过通用流形模型学习表情基元(expressionlet)用于动态面部表情识别
计算机视觉与模式识别
2016-11-23 v1
摘要
面部表情是随时间动态变化的事件，可分解为在不同面部区域、不同时间间隔发生的一组肌肉运动。对于动态表情识别，必须考虑两个关键问题：时间对齐和语义感知的动态表示。本文中，我们试图通过基于一种新颖的中级表示（即表情基元(expressionlet)）的视频流形建模来解决这两个问题。具体地，我们的方法包含三个关键阶段：1) 每个表情视频片段被表征为由密集低层特征构成的空间-时间流形（STM）；2) 在所有低层特征上学习通用流形模型（UMM），并将其表示为一组局部模式，以统计方式统一所有STM；3) 每个STM上的局部模式可通过拟合UMM实例化，相应的表情基元通过建模每个局部模式中的变化来构建。通过上述策略，表情视频在自然上实现了空间和时间对齐。为增强判别力，基于表情基元的STM表示进一步通过判别嵌入处理。我们的方法在四个公共表情数据库CK+、MMI、Oulu-CASIA和FERA上评估。在所有情况下，我们的方法都以较大优势优于已知的最先进方法。
引用
@article{arxiv.1511.05204,
title = {Learning Expressionlets via Universal Manifold Model for Dynamic Facial Expression Recognition},
author = {Mengyi Liu and Shiguang Shan and Ruiping Wang and Xilin Chen},
journal= {arXiv preprint arXiv:1511.05204},
year = {2016}
}
备注
12 pages