基于光流与循环神经网络的长视频微表情检测
计算机视觉与模式识别
2019-03-27 v1
摘要
面部微表情是微妙且非自愿的表情，能够揭示隐藏的情绪。微表情在测谎、心理健康、情感分析等领域是无价的信息来源。该研究领域最大的挑战之一是可用的自发微表情数据量很少。然而，自发数据收集受制于耗时且昂贵的标注。因此，需要能够减少标注者必须审阅数据量的方法。本文提出一种新颖的微表情 spotting 方法，在光流特征上使用循环神经网络（RNN）。我们提取定向光流直方图（HOOF）特征来编码所选面部区域中的时间变化。最后，RNN spotting 出可能包含相关面部微运动的短区间。所提方法在 SAMM 数据库上评估。通过使用留一受试者交叉验证训练 RNN，消除了任何受试者偏倚的可能。将 spotting 区间与标注数据比较显示，该方法产生 1569 个假阳性，同时获得 0.4654 的召回率。初步结果表明，所提方法可将视频长度减少 3.5 倍，同时仍保留近一半的相关微运动。最后，随着模型获得更多数据，其在检测区间上变得更好，这使得所提方法适用于支持标注过程。
引用
@article{arxiv.1903.10765,
title = {Micro-expression detection in long videos using optical flow and recurrent neural networks},
author = {Michiel Verburg and Vlado Menkovski},
journal= {arXiv preprint arXiv:1903.10765},
year = {2019}
}
备注
6 pages, 6 figures and 1 table