Micro-expression may reveal genuine

Micro-expression may reveal genuine emotions that people try to conceal. However, it’s difficult to measure it. We selected two feature extraction methods to analyze micro-expressions by assessing the dynamic information. The Constraint Local Model (CLM) algorithm is employed to detect faces and track feature points. Based on these points, the ROIs (Regions of Interest) on the face are drawn for further analysis. In addition, Local Binary Pattern (LBP) algorithm is employed to extract texture information from the ROIs and measure the differences between frames. The results from the proposed methods are compared with manual coding. These two proposed methods show good performance, with sensitivity and reliability. This is a pilot study on quantifying micro-expression movement for psychological research purpose. These methods would assist behavior researchers in measuring facial movements on various facets and at a deeper level.

ผลลัพธ์ (ไทย) 1:

ไมโครนิพจน์อาจเปิดเผยอารมณ์ของแท้ที่คนพยายามที่จะปกปิด อย่างไรก็ตาม มันเป็นเรื่องยากในการวัด เราเลือกวิธีการสกัดคุณลักษณะสองการวิเคราะห์ไมโครนิพจน์ โดยการประเมินข้อมูลแบบไดนามิก อัลกอริทึมแบบจำลองภายในของข้อจำกัด (CLM) เป็นลูกจ้างเพื่อตรวจหาใบหน้า และติดตามคะแนนคุณลักษณะ ตามจุดเหล่านี้ ROIs (ภูมิภาคสนใจ) บนใบหน้าจะออกวิเคราะห์ อัลกอริทึมภายในฐานรูปแบบ (แอลบีพี) เป็นลูกจ้างเพื่อดึงข้อมูลเนื้อจาก ROIs ใน และวัดความแตกต่างระหว่างเฟรม มีการเปรียบเทียบผลลัพธ์จากวิธีการนำเสนอ ด้วยการเขียนโค้ดด้วยตนเอง เสนอสองวิธีแสดงประสิทธิภาพที่ดี มีความไวและความน่าเชื่อถือ นี้เป็นการศึกษานำร่อง quantifying ไมโครนิพจน์การเคลื่อนไหวเพื่อวัตถุประสงค์การวิจัยทางจิตวิทยา วิธีการเหล่านี้จะช่วยให้นักวิจัยพฤติกรรมในวัดหน้าเคลื่อนไหว ในแง่มุมต่าง ๆ และ ที่ระดับลึก

ผลลัพธ์ (ไทย) 2:

Micro-แสดงออกอาจแสดงให้เห็นอารมณ์ของแท้ที่คนพยายามที่จะปกปิด แต่ก็ยากที่จะวัดได้ เราเลือกสองวิธีการสกัดคุณลักษณะในการวิเคราะห์การแสดงออกไมโครโดยการประเมินข้อมูลแบบไดนามิก ท้องถิ่นรุ่น จำกัด (CLM) ขั้นตอนวิธีการเป็นลูกจ้างในการตรวจสอบติดตามใบหน้าและจุดคุณลักษณะ ขึ้นอยู่กับจุดเหล่านี้ ROIs (ภูมิภาคท​​ี่น่าสนใจ) บนใบหน้าจะวาดสำหรับการวิเคราะห์ต่อ นอกจากนี้รูปแบบไบนารีท้องถิ่น (LBP) ขั้นตอนวิธีการเป็นลูกจ้างที่จะดึงข้อมูลพื้นผิวจาก ROIs และวัดความแตกต่างระหว่างเฟรม ผลจากวิธีการที่นำเสนอมีการเปรียบเทียบกับการเข้ารหัสด้วยตนเอง ทั้งสองวิธีที่นำเสนอการแสดงผลงานที่ดีมีความไวและความน่าเชื่อถือ นี่คือการศึกษานำร่องในการเคลื่อนไหวการแสดงออกเชิงปริมาณไมโครเพื่อจุดประสงค์ในการวิจัยทางจิตวิทยา วิธีการเหล่านี้จะช่วยให้นักวิจัยพฤติกรรมในการวัดการเคลื่อนไหวของใบหน้าในแง่มุมต่างๆและในระดับลึก

ผลลัพธ์ (ไทย) 3:

ไมโคร การแสดงออกอาจเปิดเผยอารมณ์ที่แท้จริงที่ผู้คนพยายามที่จะปิดบัง อย่างไรก็ตาม มันเป็นเรื่องยากที่จะวัดได้ เราเลือกสองวิธีในการสกัดคุณลักษณะเพื่อวิเคราะห์นิพจน์ไมโครโดยการประเมินข้อมูลแบบไดนามิก ปัญหาท้องถิ่นรูปแบบ ( สหรัฐอเมริกา ) โดยใช้ตรวจจับใบหน้าและติดตามคะแนนคุณลักษณะ ตามจุดเหล่านี้การรัวร์ ( พื้นที่ที่น่าสนใจ ) บนใบหน้าวาดสำหรับการวิเคราะห์ต่อไป นอกจากนี้ ท้องถิ่นรูปแบบไบนารี ( ปวดหลัง ) ขั้นตอนวิธีที่ใช้ดึงข้อมูลพื้นผิวจาก รัวร์ และวัดความแตกต่างระหว่างเฟรม ผลลัพธ์ที่ได้จากวิธีที่เสนอนี้จะเปรียบเทียบกับรหัสคู่มือ เสนอทั้งสองวิธีการแสดงประสิทธิภาพที่ดี มีความไวและความน่าเชื่อถือการศึกษานำร่องปริมาณไมโครการแสดงออกขบวนการวิจัยทางจิตวิทยา วิธีการเหล่านี้จะช่วยให้นักวิจัยพฤติกรรมในการวัดการเคลื่อนไหวของใบหน้าในแง่มุมต่างๆ และที่ระดับลึก