Resumen

Las microexpresiones tienen un valor extremadamente alto en seguridad nacional, seguridad pública, medicina y otros campos. Sin embargo, las microexpresiones tienen características que son obviamente diferentes de las macroexpresiones, como la corta duración y los cambios débiles, lo que aumenta en gran medida la dificultad del trabajo de reconocimiento de microexpresiones. En este documento, proponemos un método de reconocimiento de microexpresiones basado en la fusión multimodal a través de un estudio comparativo de algoritmos tradicionales de reconocimiento de microexpresiones como el algoritmo LBP y los algoritmos de aprendizaje profundo CNN y LSTM. El método acopla la información de imagen de microexpresiones separadas con la información de temperatura corporal correspondiente para establecer una base de datos de microexpresiones de fusión multimodal. Este documento introduce primero cómo construir una base de datos de microexpresiones de fusión multimodal en un entorno de laboratorio, luego compara la precisión de reconocimiento de las redes LBP, LSTM y CNN+LSTM para microexpresiones, y finalmente selecciona la

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Microexpresiones; Seguridad nacional; Fusión multimodal; Método de reconocimiento; Algoritmos de aprendizaje profundo; Precisión de reconocimiento
• Keywords:Microexpressions; National security; Multimodal fusion; Recognition method; Deep learning algorithms; Recognition accuracy