SMIC-VIS-E dataset

本研究构建的SMIC-VIS-E数据集由芬兰奥卢大学信息技术和电气工程学院创建，包含76个视频序列，主要用于微表情检测研究。数据集中的视频序列大小为640×480像素，记录帧率为25fps，其中71个视频包含微表情，5个为非微表情视频。这些视频均已标注起始和结束帧，适用于面部表情分析和机器学习模型的训练与评估。数据集的创建旨在标准化微表情检测方法的性能评估，推动相关技术的发展。

The SMIC-VIS-E dataset constructed in this study was created by the School of Information Technology and Electrical Engineering, University of Oulu, Finland. It consists of 76 video sequences, primarily intended for microexpression detection research. The video sequences in the dataset have a resolution of 640×480 pixels and a recording frame rate of 25 fps. Among them, 71 videos contain microexpressions, while the remaining 5 are non-microexpression videos. All these videos have been annotated with their start and end frames, making them suitable for facial expression analysis as well as the training and evaluation of machine learning models. The creation of this dataset aims to standardize the performance evaluation of microexpression detection methods and promote the development of related technologies.

搜集汇总

数据集介绍

构建方式

SMIC-VIS-E数据集是针对微表情识别任务构建的，该数据集由76个视频序列组成，包括71个微表情视频和5个非微表情视频。视频的分辨率为640×480像素，帧率为25fps。每个视频都被标注了微表情的开始和结束帧。为了构建数据集，首先使用人脸检测器和KTL跟踪算法定位视频中的面部，然后在每段视频的第一帧上使用主动形状模型方法定位68个关键点，并使用局部加权均值方法将这些关键点对齐到模型面部。之后，使用定义的矩形从眼睛关键点中裁剪出面部区域。为了确定滑动窗口的长度，统计了数据集中微表情长度的频率，并将滑动窗口的长度设置为9帧，因为这是数据集中最常见的微表情长度。

使用方法

SMIC-VIS-E数据集可用于微表情检测和识别任务。首先，将视频序列分割成固定长度的滑动窗口。然后，使用机器学习技术，例如支持向量机、Adaboost、随机森林或深度学习方法，对滑动窗口进行二分类，以预测其是否包含微表情。最后，使用非最大值抑制算法对检测到的窗口进行合并和去冗余，以获得最终的检测结果。此外，数据集还提供了多种分割比例和测试设置，例如正常随机采样测试和独立主题测试，这使得数据集能够更全面地评估微表情检测方法的性能。

背景与挑战

背景概述

微表情识别技术在理解人类隐藏情绪方面具有重要作用，在医疗、犯罪侦查和商业等领域具有广泛应用前景。然而，现有的微表情识别研究主要集中在识别任务上，对于定位微表情在视频中的位置（即微表情检测）的研究相对较少。为了填补这一空白，本研究构建了一个微表情检测基准（MESB），旨在标准化微表情检测方法的性能评估，并为未来研究提供公平、全面的评估平台。该基准采用了多尺度滑动窗口框架，并通过一系列协议来标准化比较。此外，还提供了流行方法的基线结果，以促进微表情检测研究的发展。

当前挑战

微表情检测面临着一些挑战。首先，现有的微表情检测方法通常在不同的测试设置下进行评估，难以进行公平的比较。其次，微小的头部运动和光照变化等外在因素可能导致误报。最后，现有的方法通常在单尺度上进行微表情检测，这可能无法有效处理不同长度的微表情。为了解决这些问题，本研究提出了多尺度滑动窗口框架，并通过一系列协议来标准化比较。此外，还提供了流行方法的基线结果，以促进微表情检测研究的发展。

常用场景

经典使用场景

SMIC-VIS-E 数据集是微表情检测领域的基准数据集，它为研究人员提供了标准化的评估平台，以促进微表情检测技术的发展。该数据集通过滑动窗口和多尺度分析方法，有效地解决了现有方法在评估和检测微表情时遇到的挑战。它为微表情检测研究提供了公平且全面的评价标准，并推动了最先进的机器学习工具的应用。

解决学术问题

SMIC-VIS-E 数据集解决了微表情检测研究中的几个关键问题。首先，它通过标准化评估协议，使得不同研究方法的比较更加公平和一致。其次，它通过多尺度分析，能够更准确地检测不同长度的微表情，从而提高检测的准确性和鲁棒性。最后，它通过滑动窗口机制，有效地避免了由于头部运动和光照变化等外部因素引起的误报问题。

实际应用

SMIC-VIS-E 数据集在实际应用中具有广泛的应用前景。例如，在医学领域，它可以用于检测患者的情绪状态，从而辅助诊断和治疗。在犯罪侦查领域，它可以用于分析嫌疑人的面部表情，从而提供犯罪行为分析的线索。在商业领域，它可以用于分析消费者的情绪反应，从而改进产品设计和市场营销策略。

数据集最近研究

最新研究方向

微表情识别作为人工智能领域的前沿研究方向，近年来吸引了广泛关注。SMIC-VIS-E数据集作为微表情识别的基准数据集，为研究人员提供了宝贵的资源。该数据集论文提出了一个基于滑动窗口的多尺度微表情识别框架，并设计了相应的评估协议。此外，论文还提供了多种流行方法的基线结果，为后续研究提供了参考。该研究工作推动了微表情识别技术的标准化和评估，并为未来使用更先进的人工智能技术进行微表情识别奠定了基础。

相关研究论文

• Micro-Expression Spotting: A Benchmark

  信息技术和电气工程学院 · 2017年