Monogene Riesz-Wavelet-Darstellung zur Mikro-Ausdruckserkennung

Ein monogener Signal ist ein zweidimensionales analytisches Signal, das lokale Informationen über Magnitude, Phase und Orientierung bereitstellt. Während es im Bereich der Gesichtserkennung und Ausdruckserkennung angewendet wurde, sind keine bekannten Anwendungen für subtile Gesichtsmikroausdrücke vorhanden. In diesem Papier schlagen wir eine Merkmalsdarstellungsmethode vor, die diese drei niederstufigen Komponenten auf mehreren Skalen prägnant erfasst. Die Riesz-Wavelet-Transformation wird verwendet, um multiskalare monogene Wavelets zu erhalten, die durch Quaternionendarstellung formuliert sind. Anstatt die multiskalaren monogenen Darstellungen zu summieren, betrachten wir alle monogenen Darstellungen über mehrere Skalen hinweg als individuelle Merkmale. Für die Klassifizierung wurden zwei Verfahren angewendet, um diese mehreren Merkmalsdarstellungen zu integrieren: eine fusionsbasierte Methode, die die Merkmale effizient und diskriminierend mithilfe des ultraschnellen, optimierten Multiple Kernel Learning (UFO-MKL) Algorithmus kombiniert; und eine concatenationsbasierte Methode, bei der die Merkmale in einen einzigen Merkmalsvektor kombiniert und von einem linearen SVM klassifiziert werden. Experimente, die an einer aktuellen spontanen Mikro-Ausdrucksdatenbank durchgeführt wurden, zeigten die Fähigkeit der vorgeschlagenen Methode, den Stand der Technik der monogenen Signalansätze zur Lösung des Mikro-Ausdruckserkennungsproblems zu übertreffen.