CSIG云上微表情第一期研讨会成功举办--基于组稀疏学习的微表情识别

2020 年 8 月 5 日 CSIG机器视觉专委会

微表情是一种短暂的、微弱的、无意识的面部微表情，持续时间往往在0.5s内，能够揭示人类试图隐藏的真实情绪。微表情识别的研究旨在让机器有足够的智能，能够从人脸视频序列中识别人类的这种真实情绪。然而由于微表情持续时间短、面部肌肉运动强度低，对其进行准确的表征与识别是一项极具挑战性的任务。为了促进心理学领域和计算机视觉领域针对微表情的进一步研究，由中国图象图形学学会（CSIG）举办、CSIG机器视觉专业委员会承办，中国科学院心理研究所的王甦菁博士计划组织一系列云上微表情的学术活动。

第一期的云上微表情研讨会在2020年7月31日晚7点正式开始。在本次报告中，宗源博士分享了他课题组近年来有关微表情识别的研究进展：受人脸运动单元编码系统理论的启发，他们提出了一个简单而有效的组稀疏学习模型及其系列变种，用于解决微表情的表征和跨数据库识别难题。此外，宗源博士还与听众们分享了他个人对微表情识别这一方向未来发展的一些想法。

宗源博士在简要介绍了微表情识别和组稀疏学习的概念之后，从三个方面通过递进的方式进行了关于微表情识别方法的报告，分别是：联合多层空间划分和核组稀疏学习的微表情识别、基于领域再生成框架的跨库微表情识别、联合直推式迁移回归模型和辅助集选择模型的跨库微表情识别。最后宗博士简要阐述了对微表情识别未来发展的看法。

联合多层空间划分和核组稀疏学习的微表情识别

由于微表情是一个微小的局部表情动作，为了找到针对微表情的重要的人脸区域，宗博士提出了首先在微表情视频中由粗到细构建多层级时空描述子，进而利用组稀疏学习模型提取有效的微表情表征的方法。通过与不同的人脸划分区域方法的比较，证明了所提出的组稀疏学习方法提取微表情特征的有效性，并得到了优于目前已发表的其他方法的微表情识别率。

基于领域再生成框架的跨库微表情识别

为了解决跨数据库微表情识别的问题，由于微表情样本数目十分稀缺，宗源博士通过引入迁移学习，实现不同数据库微表情样本的领域自适应。该方法构造目标样本再生成器，通过三种领域再生成框架：特征空间的源样本和目标样本生成以及标签空间的目标样本生成，从而实现跨库微表情识别，并在常用的CASME II和SMIC数据库（三模态：普通、高速摄像和红外）上进行了方法验证。

联合直推式迁移回归模型和辅助集选择模型的跨库微表情识别

宗博士进一步提出了结合微表情特有背景知识的辅助集选择模型，通过联合直推式迁移回归模型，在再生核希尔伯特空间中进行两种模型的整合，提升了跨库微表情识别的性能。

最后在展望部分，宗博士提到了大规模微表情数据库的建立是微表情自动化分析发展的重要条件，同时微表情检测方法的研究对微表情分析的应用落地十分关键。

在宗源博士精彩的报告后，听众们踊跃发言，提出了很多非常有讨论意义的问题。宗博士也一一进行了回复。相关的讨论主要涉及到以下方面：

微表情数据库的建立

宗源博士和王甦菁博士都有建立微表情数据库的经历，在讨论过程中提到了样本的情绪分类问题、动作单元（Action Unit, AU）标注问题、样本人种分布问题，同时也提出了目前微表情数据库的建立遇到的困难。由于微表情本身微小且时间短暂的特性，微表情的采集和标注十分费时费力，需要大量的资金投入。但是大规模微表情数据库的建立将极大推动地自动化微表情分析的发展。