شناسایی حالت آنی با الگوی دودویی محلی یکنواخت در فضای چند رنگی و هیستوگرام جهت‌گیری گرادیان روی شش صفحه متقاطع

احساسات درونی افراد مانند خوشحالی، ترس، ناراحتی، اضطراب و ... پس از کنترل و سرکوب شدن نیز به مدت کوتاه در چهره پدیدار می شوند. این حالت چهره ی کنترل ناپذیر، حالت آنی است و می تواند حُقّه و نیرنگ را نشان دهد. بنابراین، شناسایی آن در مراکز روان درمانی، قضایی و انتظامی بسیار کاربردی است. بااین حال، لازم است حرکات سریع و ضعیف ماهیچه های صورت به دقت شناسایی شوند. به همین منظور، ما در این مقاله علاوه بر بزرگنمایی حرکت، شش صفحه در امتداد بُعد زمان درنظر گرفتیم تا تغییرات را به خوبی شناسایی کنیم. همچنین، روش های الگوی دودویی محلی یکنواخت در فضای رنگی از شش صفحه متقاطع و هیستوگرام جهت گیری گرادیان روی شش صفحه متقاطع را پیشنهاد کردیم که نتایج مطلوبی در شناسایی حالت آنی تولید کردند. از آنجائیکه این روش ها در شرایط تغییرات نور و روشنایی بهتر عمل می کنند، می توانند در محیط کنترل نشده و واقعی مورد استفاده قرار گیرند. طبق نتایج آزمایش ها، بهترین دقت شناسایی حالت آنی با روش پیشنهادی روی سه پایگاه داده casme i، casme ii و smicnir به ترتیب 74.12، 86.19 و 66.23 درصد است که نسبت به روش های مقالات پیشین بهبود یافته است.

Micro-Expression Recognition based on the Multi-Color ULBP and Histogram of Gradient Direction from Six Intersection Planes

The happiness, fear, sadness, anxiety, and etc. feelings appear in the face for a short time after controlling and suppressing. This unmanageable expression is microexpression. It can show trickery and lie. Therefore, its recognition has a wide of applications in tribunal and therapy. However, it is necessary to identify the rapid and weak movements of the facial muscles. To this end, in this paper, we magnify motions and we have considered six planes along the time dimension to identify changes well. We also propose the multicolor uniform local binary pattern from six intersection planes and the histogram of gradient direction from these planes, which produce good results in microexpression recognition. These methods can be used in a real environment. Because they work better in illumination and light changes. The result of the experiments shows 74.12%, 86.19%, and 66.23% accuracy using the proposed method on CASME I, CASME II, and SMICNIR databases, respectively. Thus, our method has promising performance in comparison with the methods of previous researches.