論文題目：LTP-ML : Micro-Expression Detection by Recognition of Local temporal Pattern of Facial Movements
本文提出了一種新穎的檢測方法：通過識(shí)別面部運(yùn)動(dòng)的局部和時(shí)間模式（LTP）。
1. 預(yù)處理階段（pre-processing）
面部特征點(diǎn)檢測及提取感興趣區(qū)域。預(yù)處理過程中，檢測出人臉49個(gè)關(guān)鍵點(diǎn)，并取影響人臉微表情的幾個(gè)關(guān)鍵，進(jìn)行區(qū)域提取，具體步驟如下：
當(dāng)把49個(gè)關(guān)鍵點(diǎn)檢測出來后，如上圖所示還需要?jiǎng)澏ㄏ鄳?yīng)區(qū)域（矩形區(qū)域），嚴(yán)格來說正方形區(qū)域邊長a是由關(guān)鍵點(diǎn)23和26之間的距離L計(jì)算得來。
選取的關(guān)鍵點(diǎn)一共12個(gè)，分別是眼睫毛部分：1，4，5，6，7，10; 鼻子部分：11，14；嘴部分：32，35，38，41
2. 特征提?。╢eature extraction）
a圖展示的是某一張ROI的時(shí)間序列過程。
PCA（Principal Component Analysis） 是一種常見的數(shù)據(jù)分析方式，常用于高維數(shù)據(jù)的降維，可用于提取數(shù)據(jù)的主要特征分量。PCA 的數(shù)學(xué)推導(dǎo)可以從最大可分型和最近重構(gòu)性兩方面進(jìn)行，前者的優(yōu)化條件為劃分后方差最大，后者的優(yōu)化條件為點(diǎn)到劃分平面距離最小。
性質(zhì)：
緩解維度災(zāi)難：PCA 算法通過舍去一部分信息之后能使得樣本的采樣密度增大（因?yàn)榫S數(shù)降低了），這是緩解維度災(zāi)難的重要手段；
降噪：當(dāng)數(shù)據(jù)受到噪聲影響時(shí)，最小特征值對(duì)應(yīng)的特征向量往往與噪聲有關(guān)，將它們舍棄能在一定程度上起到降噪的效果；
過擬合：PCA 保留了主要信息，但這個(gè)主要信息只是針對(duì)訓(xùn)練集的，而且這個(gè)主要信息未必是重要信息。有可能舍棄了一些看似無用的信息，但是這些看似無用的信息恰好是重要信息，只是在訓(xùn)練集上沒有很大的表現(xiàn)，所以 PCA 也可能加劇了過擬合；
特征獨(dú)立：PCA 不僅將數(shù)據(jù)壓縮到低維，它也使得降維之后的數(shù)據(jù)各特征相互獨(dú)立；
其維度計(jì)算公式如下，在上圖b中可以知道當(dāng)two components其PCA energy最好。
有一張表格如下圖，在這張表格中體現(xiàn)了每一幀圖片與其后面幀圖片的特征差異，此處論文中特征差異方法是采用的是歐氏距離，所得到的distances越大，即表示其差異性越大，其該區(qū)域在該時(shí)間段的動(dòng)作范圍變化越大。
歐氏距離是最易于理解的一種距離計(jì)算方法，源自歐氏空間中兩點(diǎn)間的距離公式。
(1)二維平面上兩點(diǎn)a(x1,y1)與b(x2,y2)間的歐氏距離：
image(2)三維空間兩點(diǎn)a(x1,y1,z1)與b(x2,y2,z2)間的歐氏距離：
image(3)兩個(gè)n維向量a(x11,x12,…,x1n)與 b(x21,x22,…,x2n)間的歐氏距離：
image也可以用表示成向量運(yùn)算的形式：
image
由于在每一個(gè)視頻中特征動(dòng)作范圍不統(tǒng)一，因此需要標(biāo)準(zhǔn)化，每一張表的每一行中選取最大的distance，操作如下：
3. 微表情檢測（ME detection）
支持向量機(jī)（SVM）進(jìn)行分類
部分未理解有待更新......
