基於影片的面部微表情分析：資料集、特徵與演算法研究

關鍵章節標題列表

1. 引言
2. 宏表情與微表情的差異
3. 微表情數據集
4. 微表情特徵
5. 檢測算法
6. 識別算法
7. 應用場景
8. 方法對比
9. 未來研究方向
10. 結論

文件簡介

面部微表情作為非自願、瞬時的面部動作，能夠揭示人類試圖隱藏的真實情緒，在測謊、刑事偵查等領域具有重要應用價值。與易於識別的宏表情不同，微表情持續時間僅0.065-0.5秒、強度微弱且不受主觀控制，其自動檢測與識別面臨諸多技術挑戰，傳統宏表情分析方法難以直接適配。

本研究首先從神經心理學視角釐清宏表情與微表情的本質差異，指出二者分別由大腦皮層通路（自願控制）和皮層下通路（非自願觸發）調控，在持續時間、動作強度、涉及面部區域等方面存在顯著區別。基於這些差異，研究構建了層級化的分析框架，系統涵蓋神經心理基礎、數據集、特徵提取、檢測算法、識別算法、應用場景及評測體系七大核心模塊。

在數據集方面，研究全面綜述了MEVIEW、SMIC、CASME系列、SAMM等9個代表性數據集的優缺點，指出現有數據集存在樣本量少、情緒類別單一、缺乏宏微表情對應關係等局限。為此，研究提出並公開了新型數據集MMEW（Micro-and-Macro Expression Warehouse），該數據集包含更多影片樣本、更豐富的情緒標籤類型，同時提供同一受試者的宏表情與微表情數據，為跨模態研究提供了基礎。

在技術方法層面，研究系統分類並評估了微表情分析的關鍵技術：特徵提取涵蓋時空域、頻域、張量分解及光流特徵四大類，檢測算法分為光流法與特徵描述子法，識別算法則包括傳統分類、深度學習與遷移學習三類方法。通過在CAS(ME)²、SAMM和MMEW數據集上的統一評測，研究發現MDMD算法在微表情檢測中表現最優，而TLCNN深度學習模型在識別任務中達到最高準確率（MMEW數據集69.4%，SAMM數據集73.5%）。

研究還驗證了利用同一受試者宏表情數據進行預訓練，能夠顯著提升微表情識別性能，為解決微表情數據集樣本量不足的核心問題提供了有效路徑。此外，研究明確了微表情分析在測謊等領域的應用價值，指出其可作為傳統生理檢測手段的重要補充，提高欺騙識別的準確性。

本研究為微表情分析領域提供了首個全面系統的綜述框架、統一的評測基準與新型數據集，不僅整合了該領域的研究成果，更指出了隱私保護、標準化數據集構建、可解釋性算法開發等未來研究方向，對推動相關技術的學術研究與實際應用具有重要參考價值。