.png){kind=icon}
返回
Fast Micro-Expression recognition method based on Bi-Directional optical flow
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06722-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微表情包含丰富的情感和认知信息，可作为精神状态的重要指标。对老年人面部微表情的系统观察和精确识别，可为痴呆症的早期诊断、疾病动态监测及治疗效果评估提供关键且宝贵的线索。然而，微表情的运动强度较弱，基于传统光流法的微表情识别方法易提取错误的光流信息，影响系统识别精度。本文提出一种基于双向光流的快速微表情识别方法（BOFM），该方法采用正向和反向双向光流捕捉面部运动，以准确识别微表情。此外，引入一种关键帧提取方法，利用光流场的变异效应消除视频片段中的冗余帧，提升系统实时性能。该方法已通过SMIC和CASME等公开数据集进行验证。验证结果表明，该方法相较于稀疏MDMO（主要方向均值光流）算法，准确率提高了约9.3%。值得注意的是，与基于FlowNet2的微表情识别算法相比，所提算法的运行时间显著减少了约36.5%。这些发现明确表明，所提算法在微表情识别方面具有优异能力。这为未来研究面部微表情模式与早期阿尔茨海默病之间的关联奠定了基础，在早期检测和预防中发挥关键作用。
Keyword:
Micro-expression
Bi-directional optical flow
Keyframe
Emotion recognition
Facial movement
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Dynamic Texture Recognition Using Local Binary Patterns with an Application to Facial Expressions
PREAI
分享收藏Bidirectional optical flow NeRF: high accuracy and high quality under fewer views双向光流NeRF：在更少视角下实现高精度和高质量.png)
IF0
PREAI
分享收藏
Facial micro-expression recognition using stochastic graph convolutional network and dual transferred learningNEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容