介绍CK+数据库的论文翻译

The Extended Cohn-Kanade Dataset (CK+): A complete dataset for action unit and emotion-specified expression ——–

摘要：

2000年，Cohn-Kanade（CK）数据库被发布，目的是促进自动检测个人面部表情的研究。此后，CK数据库已经成为最广泛使用的算法开发和评估测试平台之一。在此期间，也出现三种不足：1）虽然AU代码得到很好的验证，但情感标签并没有，它指代指所要求的，而不是实际执行的内容; 2）缺乏评估新算法的性能指标，以及3）普通数据库的标准协议尚未出现。因此，CK数据库已被用于AU和情感检测（尽管后者的标签尚未得到验证），相较于基准算法这是不足，原始数据库的随机子集的使用使得meta分析困难。为了解决这些和其他问题，我们提供了扩展Cohn-Kanade（CK +）数据库。序列数增加了22％，受试者数量增加了27％。每个序列的目标表达式完全是FACS编码的，情感标签已被修改和验证。除此之外，还添加了几种类型的微笑的非提交序列及其相关元数据。我们使用活动外观模型（AAM）和线性支持向量机（SVM）分类器使用用于所提供的数据的AU和情感检测的leaveone-out对象交叉验证来呈现基线结果。情感和AU标签，以及扩展的图像数据和跟踪的地标将于2010年7月提供。

1、引言：

自动检测面部表情已成为越来越重要的研究领域。 它涉及计算机视觉，机器学习和行为科学，可用于许多应用。

我们使用我们的活动外观模型（AAM）/支持向量机（SVM）系统来呈现基线结果。

2. The Extended Cohn-Kanade (CK+) Dataset 

2.1图片数据

正面视图和30度视图的图像序列被数字化为具有8位灰度或24位颜色值的640x490或640x480像素阵列。
2.1.1面部表情Posed Facial Expressions
2.1.2 Non-posed Facial Expressions 

2.2. Action Unit 标签

2.2.1 Posed Expressions 

对于593个提出的序列，提供了峰值帧的完整FACS编码。 大约15％的序列被第二个认证的FACS编码器进行了比较编码。

2.2.2 Non-posed Expressions 

动作单元的一部分被编码为存在/不存在。
这些是AU 6，AU 12，微笑控制（AU 15，AU 17，AU 23/24）和AU 25/26。 对20％的笑容进行比较编码。 Cohens kappa系数测量的协调器协议是AU 6的0.83和微笑控制的0.65。

2.3. Validating Emotion Labels
2.3.1 Posed Expressions 

我们根据主题对7种基本情感类别中的每一种的印象，包括593个序列的标题情感标签的所有图像数据：愤怒，蔑视，厌恶，恐惧，快乐，悲伤和惊喜。 使用这些标签作为基本真相是非常不可靠的，因为这些模拟通常与FACS概述的刻板定义不同。 这可能导致影响系统训练的真实数据的错误。 因此，我们已经按照FACS编码的情绪标签标记了CK +。 选择过程分3步。

图1. CK +数据库的示例。 顶层的图像归属于原始的CK数据库，底部的图像代表扩展数据。 数据库中都有8个情绪和30个AU。 情绪和非常标签的例子是：（a）恶心 - AU 1 + 4 + 15 + 17，（b）Happy - AU 6 + 12 + 25，（c）惊喜 - AU 1 + 2 + 5 + 25 + 27 ，（d）恐惧 - AU 1 + 4 + 7 + 20，（e）愤怒 - AU 4 + 5 + 15 + 17，（f）蔑视 - AU 14，（g）悲伤 - AU 1 + 2 + 4 + 15 +17，（h）中性 - AU0


2.3.2 Non-Posed Smiles
3. Baseline System

在我们的系统中，我们使用基于活动外观模型（AAM）的系统，它使用AAM来跟踪脸部并提取视觉特征。 然后，我们使用支持向量机（SVM）对面部表情和情绪进行分类。 我们的系统概述如图2所示。我们在以下小节中描述了这些模块。

3.1. Active Appearance Models (AAMs) 

AAM已经被证明是将具有线性外观变化的预定义线性形状模型与包含感兴趣对象的先前未见的源图像对准的良好方法。 通常，AAM通过梯度下降搜索来适应其形状和外观成分，尽管其他优化方法也有相似的结果。

AAM 的形状由2D三角网格描述。 特别地，网格顶点的坐标定义形状s = [x1;Y1;X2;Y2; ：：：XN; yn]，其中n是顶点的数量。 这些顶点位置对应于源外观图像，形状对齐。 由于AAM允许线性形状变化，形状s可以表示为基本形状s0加上m个形状向量的线性组合si：

3.2. Feature Extraction

一旦我们通过估计形状和外观AAM参数来跟踪人的脸部，我们可以使用这些信息来推导出以下特征：
SPTS：相似性归一化形状sn指的是x和y坐标中sn中的68个顶点，导致原始的136维特征向量。

CAPP：规范化标准化外观a0反映所有非刚性形状变化相对于基础形状s0归一化的地方。对于这项研究，使用得到的87×93合成灰度图像。

3.3. Support Vector Machine Classification
支持向量机（SVM）已经被证明在许多模式识别任务中是有用的，包括面部和面部动作识别。 SVM尝试找到最大化指定类的正和负观察值之间的边界的超平面。 对未标记的测试观察x *进行线性SVM分类判定。

图2.我们的自动系统框图。 使用AAM跟踪脸部，从中我们得到相似性归一化形状（SPTS）和规范外观（CAPP）特征。 这两个特征都用于使用线性SVM进行分类。

4. Experiments 

4.1. Benchmarking Protocol and Evaluation Metric 、

我们记录了可以对CK +数据库的建议部分进行的两种类型的实验：（i）AU检测和（ii）情感检测。为了最大限度地提高培训和测试数据的数量，我们认为应该使用一个允许的主题交叉验证配置。这意味着AU检测

4.2. AU Detection Results
对于相似性正规化形状（SPTS）和规范外观（CAPP）特征以及两个特征的组合的AU检测的结果在表4中给出。


4.3. Emotion Detection Results
表5给出了情绪检测的形状特征（SPTS）的表现，可以看出，与其他情绪相比，恶心，幸福和惊喜都表现良好。这个结果是直观的

5. Conclusions and Future Work 

在本文中，我们已经为那些想要自动面部表情检测的原型和基准系统的研究人员描述了扩展CohnKanade（CK +）数据库。由于原始Cohn-Kanade数据集的流行度和易用性，这被认为是已经存在的已经存在的语料库的非常有价值的补充。

转载：http://blog.csdn.net/yinghua2016/article/details/77323537