人脸表情识别方法探究进展.docVIP

人脸表情识别方法探究进展摘要：随着计算机技术的进步，人工智能与模式识别技术得到很快的发展。人脸表情识别(FER)作为智能化人机交互技术中的一个重要组成部分，有着广泛的应用前景和潜在的市场价值，近年来得到了广泛的关注。本文介绍了人脸表情识别常的用方法，并对未来的人脸表情识别发展方向进行了展望。 关键词：人脸表情识别；特征提取；表情分类 引言 心理学家Mehrabian指出，在人们的日常交流中，通过语言来传递的信息占7%，通过声音来传递的信息占38%，而通过面部表情来传递的信息则达到55%。由此可见表情信息在人们交流中的重要性。人脸表情识别是人机交互与情感计算研究的重要组成部分，涉及心理学、社会学、人类学、生命科学、认知科学、计算机科学等研究领域，对人机交互智能化和谐化极具科学意义,并将促进相关学科的发展。 20世纪70年代人们已经从心理学和生物学方面对表情识别进行了研究和分析。生物学家Darwin首先对人类和动物的面部表情进行了研究和比较，揭示了表情在不同性别、不同种族的人群中的一致性。1978年Ekman和Frisen提出面部表情编码系统(FACS)，用44个运动单元(AU)来描述人脸表情变化，并定义了6种基本情感类别：惊奇、恐惧、厌恶、愤怒、高兴、悲伤。这一系统得到了广泛的认同，并成为后来很多表情识别研究工作的基础。 随着计算机技术的发展，人脸表情识别技术也逐渐发展起来。20世纪90年代,人脸表情识别成为非常活跃的研究方向。国外较为著名的研究机构有麻省理工学院、卡内基梅隆大学、匹兹堡大学、马里兰大学等。国内的研究始于20世纪90年代末,近几年很多高校和研究机构开始对人脸表情识别进行研究。本文主要针对人脸表情识别的常用方法进行了总结，并对未来的发展方向进行了展望。 1、人脸表情识别系统概述 人脸表情识别系统主要包括三个部分：人脸检测与定位、特征提取及表情分类。如图1所示。建立一个FER系统，首先要通过外部器件如摄像头等获取图像，在图像中进行人脸检测，确定输入图像中是否有人脸，在有人脸的情况下确定人脸的位置和大小。这一环节的研究已成为一个独立的方向；然后对人脸进行特征提取，得到反映表情特征的关键信息。最后对得到的表情特征向量进行分类，得到表情所属的类别，如AU组合或基本表情类别。 2、表情特征提取方法 表情特征提取是人脸表情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准确率和性能大大提高。按照图像的类型可以分为两大类：基于静态图像的表情特征提取和基于动态图像序列的表情特征提取。其中典型的特征提取方法有：主成分分析法、活动外观模型法、Gabor小波变换法，光流法等。 主元分析法(PCA)又称K-L变换，是一个非常有效的降维的方法，特征脸(Eingen Face)方法在人脸识别领域成为举足轻重的一个分支。这种方法根据像素间的二阶相关性，将包含表情人脸的图像区域看作一个随机向量，采用K-L变换得到正交变换基，其中较大的特征值对应的基底（特征脸）就组成了表情特征空间的一组基，然后利用这组基底的线性组合就可以描述、表达人脸表情。Andrew、calder[2]等详细的介绍了PCA在面部表情识别方面的应用。主成份分析现已成功用于人脸识别和表情识别，但是由于主成份分析只考虑到图像数据当中的两阶统计信息，并未利用高阶统计信息。 活动外观模型AAM是目前广泛应用的基于混合特征的特征提取方法。AAM方法结合形状和纹理信息建立对人脸的参数化描述。Edward等人用活动外观模型(AAM)来解析人脸图像和图像序列。左坤隆[3]选取70幅图像作为AAM训练集，在每幅图像标记了57个特征点，实验得到的识别率为93.5%。 近来，基于Gabor小波[3]的方法被广泛应用于人脸表情识别，它能检测多尺度、多方向的纹理变化，同时受光照影响较小。Wen在一系列手工标定的局部小区域提取平均Gabor小波系数作为纹理特征，同时引入了在人脸合成中使用的基于比例图的方法来对纹理提取区域进行预处理，以降低不同人脸差异和光照引起的人脸反照度不均的影响。Jingfu Ye[4]等采用二维Gabor小波核函数提取表情特征,分别在不同的光照环境及不同测试者的条件下提取与表情有关的Gabor小波特征。实验表明Gabor小波变换能有效地提取与表情变化有关的特征,这种特征对光照变化不敏感,且能屏蔽个人特征差异的影响。 光流是运动特征提取法中的一种，所谓光流是指亮度模式引起的表观运动，理想的情况是这种表观运动反映了实际的运动。光流场在运动估计、运动分割等领域得到广泛的应用，也是表情特征提取的一种非常有效的算法。Mase等研究表明利用光流进行运动估计，并使用面部肌肉运动模型描述了面部的运动。Cohn等提出了一种