Analyse des micro-expressions faciales basée sur la vidéo : recherche sur les ensembles de données, les caractéristiques et les algorithmes

Liste des titres des chapitres clés

1. Introduction
2. Différences entre macro-expressions et micro-expressions
3. Ensembles de données sur les micro-expressions
4. Caractéristiques des micro-expressions
5. Algorithmes de détection
6. Algorithmes de reconnaissance
7. Scénarios d'application
8. Comparaison des méthodes
9. Directions de recherche futures
10. Conclusion

Présentation du document

Les micro-expressions faciales, en tant que mouvements faciaux involontaires et transitoires, peuvent révéler les véritables émotions que les humains tentent de dissimuler. Elles présentent une valeur d'application importante dans des domaines tels que la détection du mensonge et les enquêtes criminelles. Contrairement aux macro-expressions faciles à identifier, les micro-expressions ne durent que 0.065 à 0.5 seconde, sont de faible intensité et ne sont pas soumises à un contrôle conscient. Leur détection et reconnaissance automatiques posent de nombreux défis techniques, et les méthodes d'analyse traditionnelles des macro-expressions ne peuvent pas être directement adaptées.

Cette étude commence par clarifier les différences fondamentales entre les macro-expressions et les micro-expressions d'un point de vue neuropsychologique. Elle souligne qu'elles sont régulées respectivement par la voie corticale (contrôle volontaire) et la voie sous-corticale (déclenchement involontaire) du cerveau, présentant des distinctions significatives en termes de durée, d'intensité du mouvement et des régions faciales impliquées. Sur la base de ces différences, la recherche construit un cadre d'analyse hiérarchique, couvrant systématiquement sept modules clés : les bases neuropsychologiques, les ensembles de données, l'extraction des caractéristiques, les algorithmes de détection, les algorithmes de reconnaissance, les scénarios d'application et les systèmes d'évaluation.

Concernant les ensembles de données, l'étude passe en revue de manière exhaustive les avantages et inconvénients de 9 ensembles de données représentatifs, tels que MEVIEW, SMIC, la série CASME et SAMM. Elle pointe les limites des ensembles existants, notamment le faible nombre d'échantillons, la catégorisation émotionnelle limitée et le manque de correspondance entre macro et micro-expressions. Pour remédier à cela, l'étude propose et rend public un nouvel ensemble de données, MMEW (Micro-and-Macro Expression Warehouse). Celui-ci contient un plus grand nombre d'échantillons vidéo, des types d'étiquettes émotionnelles plus riches, et fournit à la fois des données de macro-expressions et de micro-expressions pour les mêmes sujets, offrant ainsi une base pour la recherche intermodale.

Au niveau technique, l'étude classe et évalue systématiquement les technologies clés de l'analyse des micro-expressions : l'extraction des caractéristiques couvre quatre grandes catégories (domaine spatio-temporel, domaine fréquentiel, décomposition tensorielle et caractéristiques de flux optique) ; les algorithmes de détection sont divisés en méthodes basées sur le flux optique et méthodes basées sur les descripteurs de caractéristiques ; les algorithmes de reconnaissance incluent trois types : classification traditionnelle, apprentissage profond et apprentissage par transfert. Grâce à une évaluation unifiée sur les ensembles de données CAS(ME)², SAMM et MMEW, l'étude révèle que l'algorithme MDMD obtient les meilleures performances pour la détection des micro-expressions, tandis que le modèle d'apprentissage profond TLCNN atteint le taux de précision le plus élevé pour la tâche de reconnaissance (69.4% sur MMEW, 73.5% sur SAMM).

L'étude démontre également que l'utilisation de données de macro-expressions des mêmes sujets pour un pré-entraînement peut améliorer significativement les performances de reconnaissance des micro-expressions, offrant ainsi une voie efficace pour résoudre le problème central du manque d'échantillons dans les ensembles de données sur les micro-expressions. De plus, l'étude précise la valeur d'application de l'analyse des micro-expressions dans des domaines comme la détection du mensonge, indiquant qu'elle peut servir de complément important aux méthodes traditionnelles de détection physiologique pour améliorer la précision de l'identification de la tromperie.

Cette étude fournit au domaine de l'analyse des micro-expressions le premier cadre de synthèse complet et systématique, un benchmark d'évaluation unifié et un nouvel ensemble de données. Elle intègre non seulement les résultats de recherche du domaine, mais indique également des directions futures telles que la protection de la vie privée, la construction d'ensembles de données standardisés et le développement d'algorithmes explicables. Elle présente ainsi une valeur de référence importante pour promouvoir la recherche académique et les applications pratiques des technologies associées.