《表情识别》-公开课件.pptVIP

国际上对人脸面部表情识别的研究现在逐渐成为科研热点。国内外很多机构都在进行这方面的研究,尤其美国、日本。进入90 年代,对人脸表情识别的研究变得非常活跃,吸引了大量的研究人员和基金支持,EI 可检索到的相关文献就多达数千篇。美国、日本、英国、德国、荷兰、法国等经济发达国家和发展中国家如印度、新加坡都有专门的研究组进行这方面的研究。其中MIT、CMU、Maryland 大学、Standford 大学、日本城蹊大学、东京大学、ATR 研究所的贡献尤为突出 。 国内国内的清华大学、哈尔滨工业大学、中科院、中国科技大学、南京理工大学、北方交通大学等都有人员从事人脸表情识别的研究 意义 为了使计算机资源更大程度得被人类利用，我们必须使计算机能够具有人的智能。人类的智能不仅表现为正常的理性思维和逻辑推理能力，也表现为正常的情感能力。人脸是人与人交流的主要方式，能够表达很多情感信息，因此面部表情识别非常重要。 (1)基于几何特征的识别方法：它主要是对人脸表情的显著特征，如眼睛、鼻子、眉毛、嘴等的位置变化进行定位、测量，确定其大小、距离、形状及相互比例等特征，进行表情识别。这种方法很大程度上减少了输入的数据，但是用有限的特征点来代表人脸图像，一些重要的表情识别和分类信息就会丢失。实验研究表明几何特征提取的精确性结果有待提高。现在对于人脸图像处理技术，基于整体的正面灰度信息的方法越来越引起重视。 (2)基于整体的识别方法：与基于几何特征的识别方法相比，基于整体的识别方法主要强调尽可能多的保留原始人脸表情图像中的信息，并允许分类器发现表情图像中相关的特征，通过对整幅人脸表情图像进行变换，获取特征来进行识别。这种全局表情特征未必有明确的含义，但在某种意义上是易于分类的。不过基于全局的人脸表情识别方法具有强相关性及高冗余度。 基于整体的识别方法中最有代表性，应用最广泛的就是主成分分析方法。主成分分析就是要找到一个正交的维数空间来说明数据中变化的主要方向。它是最小方差准则条件下基于图像的最优描述方法。这一方法大大将降低了输入空间的维数。主成分分析现在已成功的用于人脸识别和人脸表情识别。 另一种基于整体的识别方法是运用神经网络。神经网络模型由简单的、并行处理的互连处理单元构成，每个神经元与其它神经元相连并从与其相连的神经元接受输入，将输入加权后再送给其它的神经元，各神经元之间的连接强度通过连接权值来描述。 (3)基于模型的识别方法：它主要是建立精确的物理模型，根据解剖学知识确定关键特征并通过比较这些特征的变化来识别人脸表情。也就是说把人脸表情识别问题转化成可变形曲面的弹性匹配问题。在一个基于模型的系统中，物理模型的精确度决定了表情分类的准确性。但是在一个确定的人脸物理模型中很难精确的说明肌肉收缩后引起皮肤运动的方向，从而也就很难准确的对表情进行分类。很多研究工作都是通过构建物理模型，再使用神经网络的方法对表情序列进行识别和分类。 (4)其他方法:用Gabor小波进完成面部表情信息的压缩编码的方法；用隐马尔可夫模型(HMM)方法等。 Ekman和Friesen提出的面部运动编码系统(FACS)中采用44个能够独立运动的表情活动单元(AU)描述面部动作，在这个系统中还定义了六种最基本的表情：惊奇、恐惧、厌恶、生气、高兴、悲伤以及33种不同的表情倾向，说明了具有这六种表情的人脸特征与无表情的人脸特征相比有相对独特的肌肉运动规律，后来进一步的研究大多数都是在FACS系统的基础上构建人脸表情模型，所以这一系统的提出具有里程碑的意义。 z基于模板的方法：所谓基于模板，就是在人脸图像获得之后，将该图像输入系 统，然后由系统将该图像和系统中的所有表情模板进行匹配，其中最相近的表情类别 就赋给该图像作为它的表情类别。但是如果模板库不够全面，那么有些人脸图像的表 情就不会被识别出来。例如Hong等人[17]提出长的相似的人的面部表情动作应该也是比 较相似的，所以他们使用弹性匹配算法找到与测试人脸图像中的人脸长得最相似的人 脸，他们的图库是根据人来分类的，所以在从所找到的最相似的人脸对应的子图库中 寻找表情最匹配的图像然后将该图像的表情类别作为分类结果。 z基于神经网络的方法：虽然这种方法在一定意义上可以并入基于模板的方法， 但是因为神经网络（Neural Network）可以将一幅量化了的人脸图像数据分类到多个 类别。而基于模板的方法则不能。神经网络的输入通常是用来描述面像图片的一些特 征向量，输出则是面部图像的情感类别。如Padgett和Cottrell[27]使用了一个前向反馈 神经网络，输入的是特征脸空间的归一化后的的映射。Zhang等人[28]使用的神经网络 输入则是脸部的34个点以及这些点的小波采样系数。 z基于规则的方法：这种方法是将表情所具有的