随着人工智能的崛起,计算机视觉在城市智能化上发挥着举足轻重的作用,为响应智能化城市建设、加快科学技术发展使得计算机视觉已经成为当下一大热点研究方向。微表情作为计算机视觉领域中重要的一环,因其具有微妙、轻微等特点,从而导致其依然存在识别率低、可解释性弱等问题。如何从微表情视频片段中挖掘、识别微表情信息成为计算机视觉领域的热难点。若能很好的挖掘脸部表情动作与情感的联系,将使得机器更生动形象化的展现人的行为方式,不仅能响应智能化的发展趋势,更能为微表情领域的发展添砖加瓦。决策思维理论和聚类方法作为机器学习领域中的分支,能在不确定性度量和无标签化分类识别上具有优越的性能。因此,本文在微表情研究领域上联合粗糙集决策思维和聚类理论,从语义变化这一角度作为入手点提出了一种新型的光流过滤算法和语义标签挖掘框架。本文的主要研究内容如下:1.针对于微表情视频语义冗余问题,本文首先基于光流理论定义了一种光流加权算法;其次基于概率粗糙集理论提出了一种二分支和优化的三分支光流过滤算法;最后对于经过光流过滤处理后的片段进行特征提取并进行识别验证。该种方法能有效的压缩视频片段,删除冗余片段,提升语义质量。2.针对脸部形态语义信息和表情的关联性问题,本文通过对脸部产生表情动作脸部区域的分析,设计了一种多器官区域的自动定位及划分方法;其次联合光流过滤算法构建高质量的形态语义数据库,利用聚类算法进行形态语义模型的训练;最后采用形态语义模型提取微表情视频中多维度脸部形变的核序列曲线。该曲线能更直观的体现人类脸部变化的形变过程,提升了视频语义的可解释性。本文对光流过滤阶段的多种阈值、特征算子等进行相关实验,实验发现相较于未作处理的视频帧,光流过滤在一定的阈值范围内具有良好的增强语义特征的性能。随后在光流过滤研究的基础上利用聚类方法进行语义模型训练,构建具有语义标签挖掘能力的模型框架,结果表明模型能够有效的挖掘视频片段的语义标签,生成具有高解释性的多维形变核序列曲线。