A Personality traits and job candidate screening via analyzing facial videos
前言
这篇文章看起来对个性的提取的话,只提取了一个脸部特征,但是效果也不错,我们可以看到它的提取的脸部的人是如何提取的以及它的分类方法,从摘要中我们可以看到它是使用了支持向量机的回归,这种比较传统的回归方法。
模型方法
模型的整个流程如下图所示,
总共包含三个方面,第1个是视觉特征提取,然后是个性回归,最后是面试分类,
脸部预处理
使用 Haar cascade object detector 来进行人脸区域的识别以及 脸部坐标的识别,其中两眼的距离用于去调整整个脸部的探测区域,用于规整脸部
特征提取
使用以下两种工具进行;脸部嗯,提取
- Local Phase Quan- tization (LPQ)
- Binarized Statistical Image Features (BSIF)
然后 用一个 Pyramid Multi-Level (金字塔级别)来进行描述
下图就是 4级 金字塔的特征描述
我们将上面的两个方法提取的特征进行拼接,成一个特征向量,因为每一帧都会有一个特征向量,我们为了得到整个视频的特征,我们将每一帧得到的特征向量进行平均,这就代表着整个视频的画面特征向量。
如下图所示:
个性估计& 面试估计
每个个性特征都使用一个 SVR 来进行回归,回归预测的分数的作为个性的最终分数
对于面试的话,我们将前面预测的5个个性分数当做特征, 用Gaussian Process Regression 进行回归你好,
实验
总结
- 单模态的个性提取,主要提取的是脸部特征
- 一个脸部特征的方法要查看一下,感觉都大同小异
- 把所有帧的特征提取,然后做平均,是以时间空间计算效率的损耗, 来提升效果,