微表情数据集总结

常用微表情数据集
按发布年份排行

JAFFE  1998年比较小和老的数据库 
数据采集方式:10位日本女性在实验室条件下摆拍指定表情获得
表情标签:开心、悲伤、惊讶、害怕、厌恶、生气、中立
数据集大小:共213张图片,每个人每种表情大概3-4张图片,每张图片分辨率256*256像素

CK+  2010年
数据采集方式:123位参与者在实验室条件下摆拍指定表情获得
表情标签:开心、悲伤、惊讶、害怕、厌恶、生气、中立、轻蔑;AU
数据集大小:593个视频序列,分辨率640*490或者640*480,基于图片的人脸表情识别中常常取最后几帧作为样本

MMI  2010年
数据采集方式:32位参与者在实验室条件下摆拍指定表情获得
表情标签:开心、悲伤、惊讶、害怕、厌恶、生气、中立;AU;时序状态(表情开始帧-->峰值帧-->结束帧,onset-->apex-->offset)
数据集大小:2900个视频以及740张图片,分辨率 720*576像素

RAF-DB 2010年
数据采集方式:采集自互联网
表情标签:开心、悲伤、惊讶、害怕、厌恶、生气、中立;复合情绪(可参考图6中的例子理解)
数据集大小:总共29672张图片

FER2013  2013年
数据采集方式:通过Google搜索引擎获取(这种即被定义为自然状态下自发式的表情数据)
表情标签:开心、悲伤、惊讶、害怕、厌恶、生气、中立
数据集大小:训练集含28709张图片, 验证集含3589张图片,测试集含3589张图片,分辨率48*48,数据及标签存放在csv文件里

SMIC  2013年
芬兰奥鲁大学赵国英团队
数据采集方式:包含三种不同类型相机拍摄的视频子集,总样本数量为306
表情标签:3种情感类型,positive(107), negative(116) and surprise(83)
HIS子集受试人员为16,NIR和VIS为8

CASME-2013、CASME II-2014、CAS(ME)2-2018 CASME3-2022
中国科学院心理研究所傅小兰团队所建立 
样本来自亚洲人

SAMM 2016年
数据采集方式:完全控制的实验室环境下进行,并控制灯光防止造成图像闪烁。
表情标签: contempt, disgust, fear, anger, sadness, happiness and surprise。
数据集大小:包含微表情视频样本 159 受试者 32,平均年龄33.24,来自13个种族

Emotic库 2017年
数据库中的图片来自MSCOCO Ade20k 以及谷歌下载图片,包括18316个图片和23788位带注释的人物。
数据库结合了两种不同的情绪表示方法:离散分类—26种情绪分类表示方法,连续维度下分类----VAD情绪状态模型


MMEW  2021年
山东大学贲晛烨教授团队,联合发布的微-宏表情数据集。
表情标签: Happiness (36), Anger (8), Surprise (89), Disgust (72), Fear (16), Sadness (13) and Others (66);
数据集大小: 受试者 36,平均年龄22.35,包含微表情视频样本 300,宏表情视频样本 900 样本来自亚洲人 

### 微表情识别数据集 CASME2 的获取方法 微表情作为一种短暂且不易察觉的人类情绪表现形式,在情感计算和人工智能领域具有重要的研究价值。为了支持这一领域的研究工作,CASME2 数据集被广泛应用于微表情识别的任务中[^1]。 #### 数据集简介 CASME2 是目前最常用的微表情数据库之一,它提供了丰富的微表情样本,覆盖多种情绪类别和表情变化模式。这些样本能够帮助研究人员深入理解微表情的特点及其背后的情感信息[^2]。 #### 下载途径 对于希望获得 CASME2 数据集的研究人员或开发者来说,可以通过以下方式完成下载: 1. **官方渠道** 访问 CASME2 官方网站或者相关学术机构发布的链接页面,通常会附带详细的使用协议和技术文档说明。具体地址可能因时间更新有所变动,请通过搜索引擎查找最新版本的发布源。 2. **第三方平台分享** 部分科研工作者会在个人主页或其他公开平台上共享已整理好的数据包。例如 优快云 提供了一条可供参考的下载路径:<https://download.youkuaiyun.com/download/qq_53332949/89720578>。需要注意的是,从这类非正式来源获取资料时务必确认其合法性和完整性[^3]。 3. **联系作者团队** 如果遇到无法正常访问的情况,可以直接邮件联系原始论文中的通讯作者请求协助获取完整的数据集合副本。这种方式虽然耗时较长但成功率较高。 以下是简单的 Python 脚本示例代码片段展示如何初步加载本地存储的数据文件(假设为图像序列格式): ```python import os from PIL import Image def load_casme2_data(data_dir): subjects = [] for subject_folder in sorted(os.listdir(data_dir)): if not os.path.isdir(os.path.join(data_dir, subject_folder)): continue frames = [] frame_files = sorted([f for f in os.listdir(os.path.join(data_dir, subject_folder))]) for img_file in frame_files: img_path = os.path.join(data_dir, subject_folder, img_file) try: with Image.open(img_path) as im: frames.append(im.convert('L')) # Convert to grayscale except Exception as e: print(f"Error loading {img_path}: {e}") subjects.append(frames) return subjects ``` 此函数实现了遍历指定目录下的子文件夹并读取其中所有的图片帧操作,最终返回按主体分类后的灰度图列表结构以便后续处理分析。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值