表情识别技术综述.docVIP

人脸表情识别技术综述 摘要：表情作为一种人机交互的方式，成为研究的热点。基于对表情识别的基本分析，文章重点。关键词：表情识别；特征提取；表情分类 前言： 进入21世纪，随着计算机技术和人工智能技术及其相关学科的迅猛发展，整个社会 的自动化程度不断提高，人们对类似于人和人交流方式的人机交互的需求日益强烈。计算机和机器人如果能够像人类那样具有理解和表达情感的能力，将从根本上改变人与计算机之间的关系，使计算机能够更好地为人类服务。表情识别是情感理解的基础，是计算机理解人们情感的前提，也是人们探索和理解智能的有效途径。实现计算机对人脸表情的理解与识别将从根本上改变人与计算机的关系，的意义。 ---人脸运动编码系统FACS (Facial Action Coding System)，根据面部肌肉的类型和运动特征定义了基本形变单元AU（Action Unit），人脸面部的各种表情最终能分解对应到各个AU上来，分析表情特征信息，就是分析面部AU的变化情况 ?FACS有两个主要弱点：1.运动单元是纯粹的局部化的空间模板；2.没有时间描述信息，只是一个启发式信息 4． 面部表情特征的提取方法 表情特征提取是表情识别系统中最重要的部分，有效的表情特征提取工作将使识别的性能大大提高，当前的研究工作也大部分是针对表情特征的提取。 目前为止的人脸面部表情特征提取方法大都是从人脸识别的特征提取方法别演变而来，所用到的识别特征主要有:灰度特征、运动特征和频率特征三种阎。灰度特征是从表情图像的灰度值上来处理，利用不同表情有不同灰度值来得到识别的依据。运动特征利用了不同表情情况下人脸的主要表情点的运动信息来进行识别。频域特征主要是利用了表情图像在不同的频率分解下的差别，速度快是其显著特点。在具体的表情识别方法上，分类方向主要有三个:整体识别法和局部识别法、形变提取法和运动提取法、几何特征法和容貌特征法。 整体识别法中，无论是从脸部的变形出发还是从脸部的运动出发，都是将表情人脸作为一个整体来分析，找出各种表情下的图像差别。其中典型的方法有:基于特征脸的主成分分析(prineipalComponentAnalysis，pCA)法、独立分量分析法(IndendenComPonent Analysis，ICA)Fisher线性判别法(Fisher’Linear Discriminants，FL)、局部特征分析 (LoealFeatureAnalysis，LFA)、Fishe诞动法(Fisher^ctions)、隐马尔科夫模型法(HideMarkovModel，HMM)聚类分析法局部识别法就是将人脸的各个部位在识别时分开，也就是说各个部位的重要性是不一样。比如说在表情识别时，最典型的部位就是眼睛、嘴、眉毛等，这些地方的不同运动表示了丰富的面部表情。相比较而言，鼻子的运动就较少，这样在识别时就可以尽量少的对鼻子进行分析，能加快速度和提高准确性。其中最典型的方法就是脸部运动编码分析法(FacialAetionseodesystem，FAes)和MPEe一4中的脸部运动参数法其他的还有局部主分量分析法 (LocalPCA)、Gabor小波法和神经网络法。 形变提取法是根据人脸在表达各种表情时的各个部位的变形情况来识别的，主要的方法有:主分量分析法(PeA)、o汕or小波、运动模板法 (Aetivesh叩 eModel，AsM)[’6]和点分布模型(PointDistributionModel，PDM)法。 运动法是根据人脸在表达各种特定的表情时一些特定的特征部位都会作相应的运动这一原理来识别的。典型的识别方法有:光流法 (OPticalFlow)「’7][’8]和MPEG一4中的脸部运动参数法 (FaceAnimationparameterFAp)。 几何特征法是根据人的面部的各个部分的形状和位置(包括嘴、眼睛、眉毛、鼻子)来提取特征矢量，这个特征矢量来代表人脸的几何特征。根据这个特征矢量的不同就可以识别不同的表情。重要的方法是:基于运动单元(AU)的主分量分析法。 在容貌特征法中，主要是将整体人脸或者是局部人脸通过图像的滤波，以得到特征矢量。常用的滤波器是Gabor小波。当然，这三个发展方向不是严格独立，它们只是从不同侧面来提取所需要的表情特征，都只是提供了一种分析表情的思路，相互联系，相互影响。有很多种方法是介于两者甚至是三者之间。例如说面部运动编码系统法是局部法的一种，同时也是从脸部运动上考虑的等等。所以，接下来的分析将不从这三个方向上去说明，而是直接简单描述各种主要的算法。目前存在的难点和问题(1) 基于Ekinan分类的六种基本表情和中性表情不足以描述人类复杂多变的真实表情，如何找到更精确的描述方式是目前鱼待解决的问题(2) 多特征融合和多分类器融