基于图像的人脸表情分类柳航.docxVIP

PAGE 9 基于图像的人脸表情分类 摘要 　　对于面部表情方面的研究，经过这么多年研究人员的不懈努力，可将现有的面部判别方法概括为两类：第一类是基于人脸面部的某些局部特点进行识别，第二类是基于人脸面部的普遍特点进行识别。现如今的面部表情识别是根据所有人的五官分布位置，每个五官之间的距离，五官的大小以及形状来获取每个人面部的特点以及人脸普遍的特点，进而进行表情识别。本研究不但创建了面部识别系统，并且在对识别技术进行归纳研究，最终得到了七种面部常见表情的识别方法，其中七种面部表情分别为兴奋，害怕，憎恶，愤怒，忧伤，无表情以及惊喜；上述方法中利用了PCA技术，可以做到高分辨率、复杂的面部识别。该系统基本上执行两个功能：特征提取和面部表情识别。 利用Matlab软件进行了面部定位系统的建立，结合了PCA算法。 关键词：特征提取 表情分类 基于特征脸的主分量分析（PCA） MATLAB 第一章 绪论 1.1人脸表情识别综述 　　经过数十年的努力，人工智能研究达到了很高的水平。但当下的人工智能研究层次，还只限于判断、推理、证明以及心理活动等的人类智力活动并为这些活动建立相对应的模型。根据人工心理学相关理论，人类内心的心理活动可以利用相关硬件通过信息学的方法展示出更深层次的内容。因此模拟人类的机器人以及可以与人类进行情感交流的机器人等引起了越来越多的关注，发展前景较为广阔。人类的面部表情记录着关于人类行为的信息，研究这些信息将有助于更好地理解人的相应心理状态，因此面部识别技术对于整个人工思维理论研究而言，是一个不可或缺的重要组成部分。当人工智能产物可以理解人类的情感，且可以自主地向外界表达感情时，这将会从根本上改变人类与机器之间的相处方式，机器也可以更好地为人类服务，这正是研究面部识别技术并希望使机器可以读懂人类复杂面部表情背后所隐藏的情感。如今，计算机技术发展迅速，与过去相比，计算机的性能有了显着提高。性能不再是面部识别技术的主要障碍。因此，在面部识别的自动机器识别领域中的研究已经成为人类研究的主流。重要的环节之一是面部特征的提取。 1.2国内外研究现状 　　由于现代科技水平的发展，人类生活离不开计算机技术，随着计算机的发展及广泛应用，机器视觉不断发展。人脸识别的发展也是随着机器视觉研究而不断发展的。人脸识别经历了下述三个发展阶段。第一阶段是对前景图像中人脸特征的简单提取，在上世纪七十年代左右研究这人通过计算机和工业相机完成了人脸灰度图模型的搭建，在该阶段时人脸图片的检测和识别需要在旁边手动完成图片的挑选，系统不具备自动识别任务，但该阶段为后续的算法优化和识别策略研究提供了必要的基础。人脸识别的第二发展阶段是实现了人机交互式识别。学者Stonham提出了一种神经网络算法来完成图像中人脸的识别和表情分析，针对不同的个体脸部图像提取特征并对样本进行学习。在人脸识别技术发展的第二阶段中同样也需要操作人员干预才能达到良好的识别成功率。人脸识别的第三发展阶段实现了机器自动识别，在该阶段中摆脱了操作人员的人为干预。在上世纪九十年代之后，随着计算机配置的提升和相关识别算法的革新，计算机的运算效率也不断加快，众多研究者提出了不同的人脸识别和学习算法，实现了不同光照条件下、不同姿态以及不同表情的人脸识别。在人脸识别第三阶段中研究者提出了诸多自动检测和匹配算法，极大的促进了人脸识别技术的发展和革新。达尔文（Darwin）通过研究表明面部表情是由肌肉张力触发的，它将正常的脸部变成富有表情的脸部。 Schlossberg最初提出了三种用于描述面部表情的量化量表：拒绝注意（A-R），幸福-不快乐（P-U）和活动。例如，蔑视和无聊的两个表达具有极大的“不快乐”价值。斯托曼提到，有两种不同的系统来分析面部表情：一种是情感的维度分析，另一种是情感的分类。大多数空间探索通常使用三维空间来实现情感表达。学者 Ekman和Friesen等所提出的FACS系统中通过不同的表达式对脸部表情进行说明，并将面部肌肉分为不同的结构单元，并通过不同结构单元的配合可实现不同类型的情感表达，这说明FACS系统中不同的面部表情具有特征不足等特性，随后有诸多研究者对基于FACS系统面部表情模型创建进行了说明，由此可知在实际模型创建过程中要考虑诸多因素。尽管FACS系统具有较强面部表情识别功能，但相对来说利用计算机进行识别时识别过程更为困难，主要表现在下述方面：首先要针对不同的标不表情创建模型，并基于模型特征完成情感分类，同时将面部表情的情感分类与其表情之间的变化相对应和联系起来。相较于实体而言，人脸具有丰富的肌肉群，因此更像一个灵活的身体，基于已构建的图像序列来完成动态模型的构建可实现对人脸表情表达过程进行描述。除此之外还有诸多因素如个体的面部表情倾向以及面部肌肉控制能力也是影响