何景琳，梁正友，孫宇

（廣西大學計算機與電子信息學院，南寧530004）

0 引言

人臉表情在我們?nèi)粘Ｉ钪邪缪葜匾慕巧?。與人臉表情相比，自發(fā)式的微表情更能夠反映人的真實情緒。自發(fā)性微表情是指人們盡最大努力抑制真實表情的視頻片段，它的持續(xù)時間短，僅為1/25～1/3 s[1]，并且動作幅度小。盡管能夠通過人力進行識別，但識別的準確率并不高，經(jīng)過培訓的人員識別準確率不超過50%[2]。因此，有必要使用先進的計算機視覺技術(shù)來提高識別率。

最先用于微表情識別的是手工描述特征識別方法。LBP-TOP[3]作為手工描述特征識別的一種基準方法，在微表情識別史上首次被采用，該方法是在平面圖像特征LBP 的基礎上，結(jié)合微表情視頻在時域和空域方面提出的，通過在三個正交平面上對像素及其鄰居之間的信息進行編碼，從而提取微表情的特征。另外，Huang 等人[4]提出了時空全局部量化模式（STCLQP），包括信號、大小和方向因素。Liu 等人[5]提出了一種基于時空空間局部紋理描述符（SLTD）的主方向平均光流（MDMO）法，更為簡單有效。

近年來，深度學習技術(shù)在識別方面獲得巨大成功，已經(jīng)廣泛應用于多個領域，如行為識別[6]、自然語言處理[7]、語音識別[8]等方面，也逐步被應用到微表情自動識別當中。Kim 等人[9]提出結(jié)合時域和空域不同維度特征的提取方法，時域維度特征通過搭建CNN 提取幀序列的五個不同狀態(tài)信息獲得，時間維度特征通過LSTM網(wǎng)絡獲得，提高了微表情識別準確率。Peng 等[10]采用兩種時域維度差異的卷積神經(jīng)網(wǎng)絡（DTCNN）對不同數(shù)據(jù)集的微表情進行識別，通過一種數(shù)據(jù)增強的算法提高數(shù)據(jù)樣本量，也提高了識別的準確率。

本文提出了一種三維卷積神經(jīng)網(wǎng)絡與支持向量機（3D Convolutional Neural Network and Support Vector Machine，C3DSVM）的方法，通過C3D 提取微表情在時域和空域上的中間層特征，并采用SVM 分類器進行分類，實現(xiàn)微表情的自動識別。所提出的方法在CASME2[11]微表情數(shù)據(jù)集上做了實驗，實驗表明該方法在采用五折交叉驗證法的情況下，提高了微表情自動識別的準確率。

1 C3D

C3D 是一種在時域和空域上進行同時進行深度學習的一種技術(shù)，可用于行為識別、場景識別、視頻相似度分析等領域。Ji 等人[12]首次提出一種能夠同時作用在時間和空間上的3D 卷積網(wǎng)絡，在實時視頻環(huán)境中識別人類行為。

C3D 的優(yōu)點在于，采用三維卷積核對上一層網(wǎng)絡中的圖像感受野進行卷積操作，可以一次性提取時域特征，即可以捕捉到多個幀的動作信息。具體地，對于第i 層網(wǎng)絡的第j 個圖像感受野上的像素點( )x,y,z 的特征值可以記作，公式為：

其中，而Si和Ti分別是三維卷積核的高度和寬度，Ri是三維卷積核的時域維度大小，為連接上層圖像感受野的三維卷積核位置( )s,t,r 的權(quán)重。f（x）表示激活函數(shù)，常用的激活函數(shù)有ReLU（Rectified Linear Unit）、sigmoid 等。Hinton 等人[13]提出實驗中使用Re-LU 比sigmoid 更好，因此，實驗中采用ReLU。ReLU 可以表示為：

最后一層輸出層采用Softmax 激活函數(shù)，Softmax在輸出層中表示當前神經(jīng)元輸出的概率，公式為：

其中，c 為輸出層神經(jīng)元個數(shù)。

2 C3DSVM微表情自動識別

2.1 微表情數(shù)據(jù)集

目前自發(fā)的微表情數(shù)據(jù)集較少，僅有的三個數(shù)據(jù)集分別是CASME1[14]、CASME2 和SMIC[15]。本文的全部實驗采用CASME2 數(shù)據(jù)集。

CASME2 是中國科學院心理研究所收集的CASME 數(shù)據(jù)庫的升級版本。CASME2 包含由200fps相機記錄的26 個受試者的255 個微表情視頻序列。獲得的微表情樣品由AU 編碼，包括三個部分：起始、頂點和結(jié)束。微表情數(shù)據(jù)集可以分為七個類：高興、驚訝、恐懼、悲傷、厭惡、壓抑、其他。

在我們的實驗中，由于兩個類的樣本量不足以進行特征學習的訓練，因此不使用樣本過少的視頻序列類別（即恐懼和悲傷）來進行識別，即其余的246 個樣本用于實驗，如表1 所示。

表1 實驗中使用的微表情數(shù)據(jù)集情況

2.2 C3DSVM

C3DSVM 微表情自動識別方法就是通過C3D 提取微表情在時域和空域上的中間層特征，再將中間層特征送入SVM 分類器，實現(xiàn)微表情的分類。圖1 為微表情自動識別示意圖。

圖1 注釋：輸入視頻序列尺寸為（16×112×112），其中16 表示為微表情視頻幀長，112×112 分別表示幀的長和寬。

圖1 C3DSVM微表情自動識別方法

圖2 注釋：藍色表示卷積層（conv），黃色表示最大池化層（pool），綠色表示完全連接層（dense）。所有的卷積層的卷積核大小為（3×3×3）。除了pool1 的降采樣核大小是（1×2×2），其他pool 層均為（2×2×2），并且全部采用的是最大采樣，每個完全連接層有4096 個神經(jīng)元。

圖2 實驗的網(wǎng)絡結(jié)構(gòu)

如圖1 所示，輸入的微表情序列在C3D 網(wǎng)絡結(jié)構(gòu)上經(jīng)過反復的訓練后，在dense1 這個中間層輸出特征，并送入SVM 分類器，實現(xiàn)分類。具體的網(wǎng)絡結(jié)構(gòu)如圖2 所示。所提出的三維卷積神經(jīng)網(wǎng)絡包括6 個卷積層、4 個最大池化層、2 個完全連接層以及1 個輸出層。除了最后一層輸出層采用Softmax，其余層的激活函數(shù)都采用ReLU，參數(shù)訓練采用隨機梯度下降算法（Stochastic Gradient Descent，SGD）。

后面的分類采用SVM 分類器。SVM 是用于分析數(shù)據(jù)的一種監(jiān)督學習算法，在小樣本訓練集上能夠得到比其他算法好很多的結(jié)果[16]，也具備泛化能力。實驗中的SVM 分類器采用徑向基函數(shù)（Radical Basis Function，RBF），RBF 是空間中任一點x 到某一中心c 之間歐氏距離的單調(diào)函數(shù)，其作用往往是局部的，即當x 遠離c 時函數(shù)取值很小，形式為：

其中c 為核函數(shù)中心，t 為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范圍。RBF 通過將樣本映射到一個更高維的空間，實現(xiàn)非線性可分的樣本。微表情由非線性的圖片序列構(gòu)成，使用RBF 核函數(shù)的SVM 分類器能夠有效實現(xiàn)分類。

3 實驗

3.1 實驗過程

預處理。微表情識別的預處理流程包括人臉識別、裁剪以及規(guī)范化處理環(huán)節(jié)。如圖3 所示，首先在微表情預處理階段檢測人臉區(qū)域，對每個視頻序列的第一幀采用Haar 人臉檢測器[17]進行人臉識別，第一幀識別得到的人臉區(qū)域矩形識別框適用于剩余幀，最后將整個視頻序列對應的人臉區(qū)域裁剪下來。在規(guī)范化處理中，由于每個視頻的大小尺寸不統(tǒng)一，我們首先通過平面線性差值的方法將每一幀的平面尺寸統(tǒng)一為112×112。其次，由于幀序列長度不統(tǒng)一，在時域序列上（Temporal Interpolation Method，TIM）[18]通過TIM 的方法統(tǒng)一幀數(shù)為150。經(jīng)過這樣的調(diào)整，每個樣本大小統(tǒng)一為112×112×150×3（3 為RGB 通道）。最后，為了獲取更細致的特征，等步長截取視頻幀，如圖4 所示，實驗以16 幀為步長無重疊地截取每個樣本中的16 幀，即新的樣本大小為112×112×16×3，實驗中由于微表情出現(xiàn)的高峰在視頻時域上的中間段，盡量取該段的幀序列。

圖3 微表情識別的預處理流程

驗證方法和指標說明。本文的實驗均采用五折交叉驗證的方法，即將樣本隨機打亂后平均分為5 份，4份用作訓練集，剩余1 份用作測試集，循環(huán)下來，就能得到五個測試集的預測結(jié)果（準確率）。本文的指標采用該準確率。

圖4 以16幀為步長截取原始幀序列

訓練參數(shù)及硬件說明。網(wǎng)絡結(jié)構(gòu)如2.3 節(jié)所述，用Keras 實現(xiàn)。訓練時，目標函數(shù)使用均方誤差（Mean Square Error，MSE）；初始學習率設置為0.01，epoch 設定為60。以上參數(shù)通過反復試驗確定。實驗的主要硬件設備是兩個NVIDIA Titan X GPU。

3.2 實驗結(jié)果及對比

（1）和其他方法的對比

實驗結(jié)果如表2 所示，與其他前沿方法相比，本文提出的C3DSVM 的識別方法獲得了最高的準確率，為88.79%。表2 前兩行是手工特征描述的識別方法，后面為深度學習方法。相比之下，C3DSVM 作為一種深度學習方法，能夠自動提取特征，省去了人工尋找特征的步驟，也提高了識別準確率。

相比二維卷積神經(jīng)網(wǎng)絡，C3DSVM 能夠提取在時域和空域上的特征。二維卷積神經(jīng)網(wǎng)絡在提取視頻特征上，是將時域上的特征圖堆疊得到，容易丟失時域的信息。對于微表情本身動作幅度小的特性來說，使用C3DSVM 能夠有效提取時域上的特征，實現(xiàn)了很好的分類。

表2 不同微表情識別方法的準確率

（2）不同條件下方法對比

使用SVM 分類能夠提高識別準確率。圖5 表示C3DSVM 和C3D 的五折識別準確率，圖6 表示對應的平均識別準確率。由這兩個表格可以看出，C3DSVM的總體識別準確率高于C3D，這是由于SVM 適用于樣本量較少的數(shù)據(jù)集，C3DSVM 不直接在C3D 網(wǎng)絡的最后一層分類，而將C3D 提取出的dense1 中間層特征放入SVM，在小樣本的數(shù)據(jù)集下SVM 能夠發(fā)揮其優(yōu)勢，實現(xiàn)微表情的有效分類。

圖5 使用C3DSVM和C3D的五折識別準確率（%）比較

圖6 使用C3DSVM和C3D的平均識別準確率（%）比較

使用預處理中TIM 統(tǒng)一幀長處理的視頻幀可以提高微表情識別準確率。no-TIM+C3DSVM 表示沒有采用TIM 的對比方法。圖7 表示C3DSVM 和no-TIM+C3DSVM 的五折識別準確率，圖8 表示對應的平均識別準確率。由這兩個表格可以看出，C3DSVM 的總體識別準確率高于no-TIM+C3DSVM，發(fā)現(xiàn)在采用TIM的情況下，C3DSVM 能夠發(fā)揮出最好的效能，在使用C3D 網(wǎng)絡的前提下，輸入層的輸入大小一定，微表情段幀長統(tǒng)一有利于網(wǎng)絡提取特征，進而提高識別準確率。

圖7 使用C3DSVM和noTIM+C3DSVM的五折識別準確率（%）比較

圖8 使用C3DSVM 和noTIM+C3DSVM 的平均識別準確率（%）比較

4 結(jié)語

本文提出了C3DSVM 的微表情自動識別方法，通過C3D 對微表情視頻序列在時域和空域上的中間層特征提取，再用SVM 分類器分類。和傳統(tǒng)的手工方法以及現(xiàn)有的深度學習方法相比，所提出的方法明顯提高了識別準確率。另外，本文也探索了采用TIM 的預處理方法對識別準確率的作用，實驗結(jié)果說明采用TIM能夠有效提高微表情識別率。

然而，深度學習極度依賴硬件設備，參與訓練的參數(shù)過大，訓練時間過長，訓練效率不高，這也是使用深度學習技術(shù)普遍存在的弊端。另外，實驗中探索網(wǎng)絡結(jié)構(gòu)設置、網(wǎng)絡參數(shù)設置和激活函數(shù)等參數(shù)較為復雜。如何優(yōu)化網(wǎng)絡結(jié)構(gòu)，優(yōu)化網(wǎng)絡參數(shù)，以進一步提高識別準確率是今后研究的重點。