论文：SAMM: A Spontaneous Micro-Facial Movement Dataset | IEEE Journals & Magazine | IEEE Xplore

数据集下载：https://gitee.com/CodeStoreHub/micro-expressions

📌研究背景与目的

微表情是人在试图隐藏真实情绪时脸部短暂且不自主的肌肉运动，具有极高的识别价值，尤其在高压、欺骗检测等场景下。现有微表情研究面临以下主要挑战：

• 难以自然诱发自发性微表情；

• 数据集参与者种类单一，光照与分辨率差；

• 大多数使用人工“摆拍”的表情，不真实。

因此，作者提出了 SAMM，一个在实验控制下自然诱发的高质量微表情数据集。

---

🔍 数据集特点

1. 自发性微表情：

   • 利用视频刺激引导参与者在压抑情绪的同时展现真实反应。

   • 为增加“高压情境”，设置50英镑奖金鼓励“隐藏情绪表现”。

2. 高质量数据采集：

   • 使用Basler高帧率相机（200 fps），图像分辨率达2040×1088。

   • 每位参与者通过问卷定制适合其情绪反应的视频刺激。

3. 多样化参与者群体：

   • 共有32位参与者，涵盖13个不同族裔，年龄在19-57岁之间，性别均衡。

4. FACS编码：

   • 所有表情动作使用FACS系统进行标准化编码，包括面部动作单元（AU）的起始、峰值和结束帧。

5. 情绪诱发种类丰富：

   • 涉及7种基本情绪：愤怒、厌恶、恐惧、幸福、悲伤、惊讶、蔑视；

   • 诱发方式包括视频、PPT等，甚至使用参与者照片制造“惊讶”。

---

🧪 实验与分析

• 特征提取方法：

  • 使用了 LBP-TOP、LBP-TOP+高斯导数、3D HOG、DPM 等多种时空特征描述方法；

  • 对微动作和非动作序列进行分类任务，评估准确率、F1-score、MCC等指标。

• 新方法提出：

  • 提出了“个体化基线阈值（Adaptive Baseline Threshold, ABT）”，以提升微动作检测准确率；

  • 该方法基于参与者中性表情进行差异分析，取得了 0.91 的Recall 和 0.82 的F1-score，超越现有方法。

---

🎯 核心贡献总结

1. 构建了目前公开的最高清、最具多样性（族群/性别/年龄）的自发微表情数据集；

2. 提出了基于个体中性基线的微动作检测方法（ABT），提升检测性能；

3. 为未来微表情识别、心理分析、谎言识别等研究提供重要资源和技术支撑。