基于差分切片能量图和Gabor变换的微表情识别算法

张量对比实验样本序列均使用线性插值[26]分别插值成64帧、15帧、15帧,我们选择在HS、NIR、VIS上张量实验最终维数分别为50´50´50,50´50´10,50´50´10。平均识别率以及方差实验结果如表2所示。由实验结果可知,本文所提出的方法在三种环境下拍摄的微表情序列都具有鲁棒性。表2算法平均识别率和标准差Tab.uracyandstandarddeviationonSMICdatabase方法?识别率(标准差)HS?VIS?NIR245?MPCADTSADSEIDSEI+Gabor4结论?0.4786(0.0513)0.4523(0.0436)0.9876(0.0154)0.9888(0.0141)?0.6673(0.0698)0.6654(0.0516)0.9750(0.0226)0.9750(0.0226)?0.6538(0.0572)0.5923(0.0886)0.9846(0.0230)0.9865(0.0287)在本文中,我们提出了一种基于差分切片能量图和Gabor变换的微表情识别方法。不同于已有的微表情识别方法,本文提出了微表情差分切片能量图的概念,通过一张图刻画微表情序列的能量变化,同时避免了人脸轮廓以及噪声等对微表情的遮盖作用。在特征提取时,本文使用了小尺度Gabor变换,精确表示微表情差分能量图的精细结构,并通过有监督的特250255?征提取方法LDA进一步进行聚类。我们采用复杂的SVM分类器进行类别划分,大大提高了分类的准确性。在CASME数据库和SMIC数据库上的实验结果证明,我们提出的方法具有更高的识别性能,同时,我们发现本文所提方法对不同帧速率以及近红外环境都具有鲁棒性。本文提出了一种识别性能高鲁棒性强的识别方法,该方法对计算机性能要求低,识别性能跟其它复杂的方法相似,甚至有所提高,因此,本方法对实际应用具有很强的指导性作用。-8-