A weighted feature extraction method based on temporal accumulation of optical flow for MER阅读笔记

文章的主要观点是：微表情的处理中，从视频序列得到光流的过程中，由于微表情的运动比较小，容易受到噪声干扰，从而得到不准确的光流，另外，由于微表情的运动只发生在脸部的一小部分区域，所以之前将所有脸部区域给与同等权重的做法是不合理的。
基于上述观点，作者根据相邻两帧图片中的人脸的运动方向是一致的，而噪声的方向是随机的，所以，将相邻几帧得到的光流进行累加，这样就会消除大部分干扰。
比如说，一段有L帧图片的视频，会得到L-1帧光流图，将这些光流图分成S组，每组内的光流图进行累加（至于每组选几个光流图后文会有讨论），合成一幅光流图，就会消除绝大部分干扰。结果还不错，上图。（下图进行了光流可视化）

在得到光流幅值的累加之后进行归一化，化到[0,1]之间，这样就会得到一个和原图同尺寸的权重矩阵。
权重矩阵怎么用？作者想到了LBP-TOP特征（这个我只了解LBP，下次学习一下），可以参考下面这篇博客：
https://blog.csdn.net/matrix_space/article/details/52136900

这个应该是权重矩阵同尺寸的矩阵，之后就是把权重相应的乘上去，

剩下的就简单了，直接用SVM进行多分类就可以进行表情识别了。

之后作者实验了一下每组光流的具体数值，于是就做了几组实验，

在不同的数据集上，个数还不一样，不过差别不大。除此之外，作者有比较了不同的权重使用策略。比如只在X-Y上使用权重，还是在XY,XT,YT三个上面都使用（个人觉得肯定全使用最好，有点多此一举，但是确实要讲一下，作者没错），实验结果如下，

下表是本文方法和不同方法的比较，