人工智能本栏目责任编辑：唐一东ComputerKnowledgeandTechnology电脑知识与技术第19卷第1期(2023年1月）基于迁移学习VGG-16的微表情识别魏小明（河北工程大学，河北邯郸056004)摘要：为提高微表情识别精度更好地为微表情分类，提出迁移学习技术与VGG-16模型相结合的微表情识别方法。以CASME、CASMEⅡ作为数据集，在预处理阶段通过对图像进行几何变换、均衡化构建微表情数据集。利用迁移学习后的VGG-16为模型，用数据增强后的数据集，在相同参数环境下，与AlexNet、GooLeNet、ResNet-18模型做对比，探究了不同模型对8种微表情识别的影响，同时探究了不同数据集对模型的性能影响。实验结果：基于迁移学习的VGG-16模型，训练精度及训练损失值均优于参照模型，模型识别精度与数据集数量成正比。关键词：微表情识别；迁移学习；VGG-16；数据增强中图分类号：TP391文献标识码：A文章编号：1009-3044(2023)01-0031-04开放科学（资源服务）标识码(OSID)：微表情是一种一闪而过的面部表情，通常在一个情绪唤起之后快速出现，很难抑制[1]往往能体现出人们的真实想法。由于微表情可应用于医学、犯罪侦查、安防、测谎等重要领域，微表情识别的研究受到国内外的广泛关注。近年来，计算机技术不断发展，微表情识别技术相比之前有了很大的提高。微表情识别技术主要分为传统方法和基于深度学习的方法。在传统方法例如LBP-TOP、LBP-TOP与光流结合等，由于此类方法主要采用手工制作来提取特征，导致识别精度和效率不高[2]，性价比低于深度学习方法。卷积神经网络(Convolutionalneuralnetwork，CNN)在计算机视觉领域应用得很成功，并相继推出了几个经典的网络模型。其中VGGNet更是在2014年LSVRC2014比赛分类项目的第二名和定位项目的第一名[3]。VGG-16模型，由多组卷积层、池化层、激活层组合而成，有着结构简洁的特点，它通过增加结构深度，更加有效的提升模型性能，提升拓展性，减少出错概率。利用迁移学习，能有效地提高识别分类效率及泛化性。本研究拟采用基于迁移学习的VGG-16作为训练模型，与基于其他网络模型做对比，探究微表情识别精度。1数据集与预处理1.1实验数据实验所用到的数据集来源于中国科学院心理研究所的CASME[4]、CASMEⅡ[5]。1.2图像预处理1.2.1数据扩充为了防止过拟合现象的发生，本研究对已有图像进行数据增强。通过对图像进行几何变换：翻转（图d)、水平镜像（图f)；对比度变化：对比度增强（图b)、对比度减弱（图c)；设置椒盐噪声（图a)的方法...
