摘要: 微表情是一种人类自然存在的表情，具有出现时间极短且不易察觉，无法进行伪造和抑制作假面部形变等特征，在国家安全、测谎、讯问等领域拥有巨大的应用潜力而受到越来越多的关注，成为表情识别的研究热点问题。在微表情识别中，传统方法对特征进行提... 展开 微表情是一种人类自然存在的表情，具有出现时间极短且不易察觉，无法进行伪造和抑制作假面部形变等特征，在国家安全、测谎、讯问等领域拥有巨大的应用潜力而受到越来越多的关注，成为表情识别的研究热点问题。在微表情识别中，传统方法对特征进行提取时需要复杂的操作和研究者的自身经验，造成识别很困难。同时从视频中提取表面信息时由于缺乏部分抽象特征表示所需的信息，导致识别率不高。针对微表情识别中的上述问题，本文进行了以下几个方面的研究工作: (1)提出了基于3D-CNN网络的微表情识别算法。对人脸图像进行归一化和裁剪预处理，以消除不同帧在空间上的差异。使用3D卷积核来获取视频帧的空间特征和时间特征，批量归一化层和丢弃层可以使传输数值更加稳定，提升收敛速度，减少过拟合的风险，提高泛化能力。多个小核池化层可以增强模型的逼近能力。 (2)提出了基于3D-CNN+LSTM网络的微表情识别算法。在3D-CNN网络的基础上，使用长短期记忆网络处理时域特征信息。同时，由于Mish激活函数具有更快速和稳定特性，使用Mish激活函数代替传统的Relu激活函数。 (3)提出了基于改进VGGNet网络的卷积注意力微表情识别算法。将经典的VGGNet网络模型结构进行改进，从而更适合于微表情类的小样本数据集。在VGGNet网络提取特征并进行分类的同时，增加了卷积注意力模块，该模块分别使用道注意力和空间注意力网络结构以此增强信息的有用特征和抑制无用的特征。 数值实验结果表明:所提三种微表情识别算法与目前基于传统或者基于深度学习的主流算法相比，在模型的鲁棒性和平均识别准确率指标上具有显著的优势，为进一步的应用奠定基础。 收起