LTP-ML : Micro-Expression Detect
论文题目：LTP-ML : Micro-Expression Detection by Recognition of Local temporal Pattern of Facial Movements
本文提出了一种新颖的检测方法：通过识别面部运动的局部和时间模式（LTP）。
Overview
1. 预处理阶段（pre-processing）
面部特征点检测及提取感兴趣区域。预处理过程中，检测出人脸49个关键点，并取影响人脸微表情的几个关键，进行区域提取，具体步骤如下：
image.png
当把49个关键点检测出来后，如上图所示还需要划定相应区域（矩形区域），严格来说正方形区域边长a是由关键点23和26之间的距离L计算得来。
image.png
选取的关键点一共12个，分别是眼睫毛部分：1，4，5，6，7，10; 鼻子部分：11，14；嘴部分：32，35，38，41
image.png
2. 特征提取（feature extraction）
image.png
a图展示的是某一张ROI的时间序列过程。
PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。PCA 的数学推导可以从最大可分型和最近重构性两方面进行，前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小。
性质：
缓解维度灾难：PCA 算法通过舍去一部分信息之后能使得样本的采样密度增大（因为维数降低了），这是缓解维度灾难的重要手段；
降噪：当数据受到噪声影响时，最小特征值对应的特征向量往往与噪声有关，将它们舍弃能在一定程度上起到降噪的效果；
过拟合：PCA 保留了主要信息，但这个主要信息只是针对训练集的，而且这个主要信息未必是重要信息。有可能舍弃了一些看似无用的信息，但是这些看似无用的信息恰好是重要信息，只是在训练集上没有很大的表现，所以 PCA 也可能加剧了过拟合；
特征独立：PCA 不仅将数据压缩到低维，它也使得降维之后的数据各特征相互独立；
其维度计算公式如下，在上图b中可以知道当two components其PCA energy最好。
image.png
有一张表格如下图，在这张表格中体现了每一帧图片与其后面帧图片的特征差异，此处论文中特征差异方法是采用的是欧氏距离，所得到的distances越大，即表示其差异性越大，其该区域在该时间段的动作范围变化越大。
欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。
(1)二维平面上两点a(x1,y1)与b(x2,y2)间的欧氏距离：
image
(2)三维空间两点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离：
image
(3)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的欧氏距离：
image
也可以用表示成向量运算的形式：
image
image.png
由于在每一个视频中特征动作范围不统一，因此需要标准化，每一张表的每一行中选取最大的distance，操作如下：
image.png
3. 微表情检测（ME detection）
支持向量机（SVM）进行分类
image.png
部分未理解有待更新......
