210.
微表情是人在极短时间内不自觉产生的面部表情,能够揭示个体的真实情感状态。现有的微表情识别方法在准确性和鲁棒性方面仍存在一定的局限性,尤其是在噪声干扰和图像序列信息丢失的情况下,传统的光流方法难以有效捕捉微表情的细微变化。此外,深度学习模型在下采样过程中可能会丢失重要的高频信息,进而影响微表情特征的识别能力。针对这些问题,本文提出了一种基于双向光流和小波注意力机制的微表情识别方法,以提高识别准确性和鲁棒性。具体来说,首先分析了传统光流方法在微表情识别中的局限性,针对光流法对噪声的敏感性和连续帧间信息忽视的问题,提出了双向光流模块(Bidirectional Optical Flow Module, BOFM)。利用峰值到起始帧和结束帧的信息,以减少噪声干扰,并强化与微表情相关的面部肌肉运动特征。其次,为了缓解深度学习模型在下采样过程中可能丢失细节信息的问题,并提高模型对高频和低频信息的有效利用,本文引入了小波注意力下采样模块(Wavelet-based Attention Downsampling Module, WADM),以提升模型对微表情特征的表征能力。在MEGC2019数据集上的实验结果表明,本文提出的方法在未加权F1分数(UF1)和未加权平均召回率(UAR)两个指标上均优于现有方法,分别高出最好的方法 1.87%和2.61%。同时,在CAS(ME)
3和DFME数据集上的实验也验证了该方法在不同场景与人群下的广泛适用性与优越性能。此外,通过Grad-CAM可视化分析,验证了双向光流和小波注意力下采样模块在特征表征过程中的有效性。该算法的前期版本在第四届中国情感计算大会(CCAC2024)微表情自动识别任务上取得了第二名的成绩。代码已公开在https://github.com/LeoDerekh/BOWAM。… …
相似文献