1. 研究目的与意义、国内外研究现状（文献综述）
1 研究意义
微表情是人类在非常短的时间内为了压抑或隐藏真实情感而泄露出的不能自主控制的面部表情[1]。微表情是一种自发性的表情，它既无法伪造也无法抑制[2]。因此，微表情能够准确地反映出一个人的内在心理状态，且在情绪识别任务上的可靠度很高，对表情情感识别任务有潜在的利用价值。目前，人们常常将微表情与谎言联系到一起，将微表情研究应用到侦查、审讯、职场应聘等领域，同时微表情在人际交往过程中有着很高的实际价值[3]。
与表情研究相比,微表情发现的历史较短。1966年haggard等[4]第一次提出了微表情的概念, 此后ekman等[5]报道了关于微表情的案例。经研究发现，微表情主要有以下几种情绪：高兴、悲伤、愤怒、厌恶、恐惧、惊讶等，均在基础情绪的范畴之内，目前尚未发现超出基本表情的微表情[6]。但与宏表情相比，微表情持续时间相当短，研究表明微表情仅持续1/25s～1/3s[7]，且动作幅度非常小,不会同时出现在上半脸和下半脸 [7,8],因此正确观测并且识别有着相当的难度。
2. 研究的基本内容和问题
研究目标：
（1） 提出基于cnn的微表情智能识别算法。
（2） 开发出一款基于深度学习的微表情实时检测软件。
3. 研究的方法与方案
研究方法：
（1） 阅读相关文献、书籍以及学术论文。
（2） 获取丰富且可靠的微表情数据集并对其进行数据处理。
4. 研究创新点
（1）提出了基于cnn的微表情特征提取算法，同时与图像处理等算法相结合。
（2）开发一款检测微表情的软件。
（3）微表情识别这一领域自11年起才提出了第一个识别方法，因此对该领域的研究有很好的应用发展前景。
5. 研究计划与进展
研究计划
(1)2020年1月至2020年2月初
数据预处理和相关技术理论的学习：结合公开数据集并用微表情采集方法收集丰富而可靠的样本；学习 python 和深度学习（卷积神经网络 cnn ）相关知识，对比并获取合适的微表情样本，在这些样本中区分出训练样本和测试样本，并对训练样本进行变换以生成可供训练cnn的足够样本。
