人脸表情识别方法研究进展

《人脸表情识别方法研究进展》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、人脸表情识别方法研究进展：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

2、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Daran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

3、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

4、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，

5、是一个非常有效的降维的方法，特征脸(EingenFace)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。Andre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。Ed)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

6、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。ase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等提出了一种基于光流的方法，对眉毛、眼睛、嘴唇等区域的运动单元进行分辩，提出了面部的局部参数运动模型，同时构建了面部运动的中级描述，并使用启发式规则对6种表情进行了分类。光流法的缺点是受光照不匀和脸部非刚体运动等因素影响特征提取结果，且计算量较大，不适合实时处理。　　3、表情分类方法　　表情分类指定义一组

7、类别，并设计相应的分类机制对表情进行识别，归入相应类别。目前用于表情分类的方法主要有人工神经X络、支持向量机和AdaBoost算法等成为主流的表情分类方法。　　人工神经X络（ANN）是一种模拟人脑神经元细胞的X络结构，它是由大量简单的基本元件—神经元，相互连接成的自适应非线性动态系统。在静态图像的人脸表情识别中有很多运用。Gueorguieva使用多层感知的神经X络来进行表情识别，训练并测试了4种X络，得出S形函数和径向基函数的神经单元混合能较好地适合于前馈神经X络的结论。神经X络方法的缺点在于，需要大量的训练样本和训练时间，很难满

8、足实时处理要求。　　支持向量机（SVM）是在统计学习理论的基础上发展起来的一种分类方法，在解决小样本、非线性和高维问题上有很多优势。目前支持向量机是机器学习中应用最多的分类器之一，近年来也被应用于表情识别中。SVM算法结构简单，具有全