人工智能综合项目开发- 课件 项目五 情绪识别氛围交互系统.pptx

人工智能综合项目开发;;项目五情绪识别氛围交互系统

项目分析

人脸表情识别氛围灯控制系统首先通过摄像头采集人脸图像数据，然后利用深度学习神经网络算法实现人脸检测及人脸表情识别，再根据人脸表情识别结果控制家居设备。

1.学习神经网络数学模型基本概念。

2.了解人脸表情识别算法模型部署。

3.了解氛围灯控制系统的构建。项目背景及功能分析

随着以人工智能为代表的新一代信息技术的不断进步，新技术融入加速智能家居产业生态发展，推动智能家居进入发展新阶段，场景、渠道、技术、产品、平台的创新赋予智能家居发展新契机。人工智能让智能家居系统更具智慧；5G搭建基础连接设施，让;智能家居系统实现实时智能化在线管理。智能家居系统的产生将推动空间智能化的逻辑预判力提升，给予更加精准、舒适、安全与人性化的反馈和升级，实现家居生活的数字化、智能化、便捷化。

智能家居场景的构建围绕环境安全、娱乐、办公等应用场景展开，如图5.1所示。智能家居安全需求首当其冲，智能门锁、智能摄像机、智能传感器等将成为智能家居的关键支撑点，尤其是疫情期间，门禁管理、远程监控等成为智能家居系统的热点技术应用场景。

图5.1智能家居系统结构

智能家居平台生态建设的目的是将人工智能、物联网、云计算、大数据等新一代信息技术能力下沉，通过顶层设计，赋能智能家居产品，提升用户的体验感，解决各智能;终端之间，跨品牌、跨品类互联互通、云端一体化、AI交互赋能、数据交互等问题。

智能家居场景中的数据通常涉及大量的用户隐私信息，基于云端的智能家居系统往往有泄露隐私以及稳定性不高的问题。因此考虑使用嵌入式AI端侧推理平台实现人工智能技术本地部署，使得家居生活更加智能、安全、便利。

本次人脸表情识别氛围灯控制系统建设主要利用深度学习神经网络算法实现人脸检测及人脸表情识别，然后根据识别结果控制氛围灯、语音交互、LCD显示。

实现人脸表情识别氛围灯控制系统任务拆解如图5.2所示，任务一人脸表情识别模型部署，主要实现人脸表情识别模型训练及模型部署；任务二氛围灯控制系统构建，实现了RGB氛围灯控制；任务三人脸表情识别氛围灯控制系统开发，实现了整个项目的设计和开发。;图5.0-1人脸表情识别氛围灯控制系统任务拆解

任务一模型部署

（1）表情识别概述

随着深度学习领域的飞速发展以及智能设备的普及，人脸识别技术正在经历前所未;有的发展，人们对于人脸识别技术的讨论也从未停歇。现如今，人脸识别精度已经超过人类肉眼，同时大规模普及的软硬件基础条件也已经具备，人脸识别技术的应用市场和领域需求庞大，基于这项技术的市场发展和具体应用正呈现蓬勃发展态势。人脸表情识别（facialexpressionrecognition,FER）作为人脸识别技术中的一个重要组成部分，近年来在人机交互、安全、机器人制造、自动化、医疗、通信和驾驶领域得到了广泛的关注，成为学术界和工业界的研究热点。

“表情”是与我们日常生活密切相关的一个词语，人脸表情是最直接、最有效的情感识别模式。在人际沟通中，人们通过控制自己的面部表情，可以加强沟通效果。人脸表情是传播人类情感信息与协调人际关系的重要方式，据心理学家A.Mehrabia的研究表明，在人类的日常交流中，通过语言传递的信息仅占信息总量的7%，而通过人脸表情传递的信息却达到信息总量的55%，可以这么说，我们每天都在对外展示自己的表情信息同时也在接收别人的表情信息，那么表情是什么呢？;早在20世纪Ekman等专家就通过跨文化调研提出了七类基础表情，分别是生气，害怕，厌恶，开心，悲伤，惊讶以及中立。然而不断地研究发现这七类基本表情并不能完全涵盖人们在日常生活中所表露的情感。针对该问题，2014年在PNAS上发表的一篇文章研究提出了符合表情的概念，并且指出多个离散的基础表情能结合在一起从而形成复合表情。例如：惊喜（高兴＋吃惊）、悲愤（悲伤＋愤怒）等15种可被区分的复合表情。

图5.3人脸表情

将人脸表情识别应用于智能家居场景中，可实现通过人脸表情控制氛灯或者音乐播放等其他家居娱乐场景。基于深度卷积神经网络的表情识别算法获取表情信息，并将识;别到的信息通过氛围灯的方式，实时反映，增强用户沉浸感。

人脸表情识别常用方法包括利用人为设计特征和深度学习方法实现。

1）人为设计特征

各种人为设计的特征已经被用于FER提取图像的外观特征，包括Gabor、LBP、LGBP、HOG和SIFT。这些人为设计的方法在特定的小样本集中往往更有效，但难以用于识别新的人脸图像，这给FER在不受控制的环境中带来了挑战。但其存在的问题也十分明显，首先，人为设计的特征太受制于设计的算法，设计太