南京邮电大学学报(自然科学版)

作者：魏金生,卢官明,彭　伟,陈浩侠,黄晓华,闫静杰

单位：南京邮电大学 通信与信息工程学院，江苏 南京 210003南京邮电大学 通信与信息工程学院，江苏 南京 210003斯坦福大学 神经与行为科学学院，美国 加利福尼亚州 94305南京邮电大学 通信与信息工程学院，江苏 南京 210003南京工程学院 计算机工程学院，江苏 南京 211167南京邮电大学 通信与信息工程学院，江苏 南京 210003

关键词：微表情识别；稀疏学习；特征融合；特征选择

基金：国家自然科学基金（72074038，62076122，61971236）和江苏省研究生科研与实践创新计划（KYCX19_0899）资助项目

在微表情识别系统中，常规的特征融合方法会引入冗余或干扰特征，因而会影响识别准确率和效率。针对上述问题，提出一种基于双支路核化群稀疏学习（Two-Branch Kernelized Groups Sparse Learning，TB-KGSL）的特征选择方法，并将其应用于微表情识别系统。首先，提取多个人脸区域的3个正交平面上局部二值模式（Local Binary Patterns from Three Orthogonal Planes，LBP-TOP）和多个方向上的单方向梯度直方图（Histogram of Single Direction Gradient，HSDG）两组不同类型的特征；然后，使用TB-KGSL模型从上述两组特征中分别选择有效区域的LBP-TOP特征和有效方向上的HSDG特征；最后，将选择的LBP-TOP和HSDG特征进行拼接融合，得到紧凑且可鉴别的特征，并使用基于支持向量机（Support Vector Machine，SVM）的分类器进行微表情分类。实验结果验证了TB-KGSL的可行性和有效性，并在CASME II和SMIC数据集上分别达到68.63%和75.95%的识别准确率，比基线方法分别高出5.77个百分点和15.20个百分点。

来源：2023年第01期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2023年第01期