人脸表情识别综述

《人脸表情识别综述》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、人脸表情识别综述 一、人脸表情识别技术目前主要的应用领域包括人机交互、安全、机器人制造、医疗、通信和汽车领域等 二、1971年，心理学家Ekman与Friesen的研究最早提出人类有六种主要情感，每种情感以唯一的表情来反映人的一种独特的心理活动。这六种情感被称为基本情感，由愤怒（anger）、高兴(happiness)、悲伤(sadness)、惊讶(surprise)、厌恶(disgust)和恐惧(fear)组成 人脸面部表情运动的描述方法---人脸运动编码系统FACS(FacialActionCodingSystem)，根据面部肌肉的类型和运动特征定义了基本形变单元AU（Action

2、Unit），人脸面部的各种表情最终能分解对应到各个AU上来，分析表情特征信息，就是分析面部AU的变化情况 FACS有两个主要弱点：1.运动单元是纯粹的局部化的空间模板；2.没有时间描述信息，只是一个启发式信息三、人脸表情识别的过程和方法1、表情库的建立：目前，研究中比较常用的表情库主要有:美国CMU机器人研究所和心理学系共同建立的Cohn-KanadeAU-CodedFacialExpressionImageDatabase(简称CKACFEID)人脸表情数据库;日本ATR建立的日本女性表情数据库(JAFFE)，它是研究亚洲人表情的重要测试库2、表情识别:（1）图像获取:通过摄像头等图

3、像捕捉工具获取静态图像或动态图像序列。  （2）图像预处理:图像的大小和灰度的归一化，头部姿态的矫正，图像分割等。è目的:改善图像质量，消除噪声，统一图像灰度值及尺寸，为后序特征提取和分类识别打好基础主要工作è人脸表情识别子区域的分割以及表情图像的归一化处理(尺度归一和灰度归一) （3）特征提取:将点阵转化成更高级别图像表述—如形状、运动、颜色、纹理、空间结构等,在尽可能保证稳定性和识别率的前提下，对庞大的图像数据进行降维处理。è特征提取的主要方法有：提取几何特征、统计特征、频率域特征和运动特征等1）采用几何特征进行特征提取主要是对人脸表情的显著特征,如眼睛、眉毛、嘴巴等的位置变化进行

4、定位、测量,确定其大小、距离、形状及相互比例等特征,进行表情识别优点：减少了输入数据量缺点：丢失了一些重要的识别和分类信息，结果的精确性不高 2）基于整体统计特征的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特征,通过对整幅人脸表情图像进行变换,获取特征进行识别。主要方法：PCA和ICA（独立主元分析）PCAè用一个正交维数空间来说明数据变化的主要方向优点：具有较好的可重建性缺点：可分性较差ICAè可以获取数据的独立成份，具有很好的可分性基于图像整体统计特征的提取方法缺点：外来因素的干扰（光照、角度、复杂背景等）将导致识别率下降3）基于频率域特征提

5、取:是将图像从空间域转换到频率域提取其特征（较低层次的特征） 主要方法：Gabor小波变换 小波变换能够通过定义不同的核频率、带宽和方向对图像进行多分辨率分析，能有效提取不同方向不同细节程度的图像特征并相对稳定，但作为低层次的特征，不易直接用于匹配和识别，常与ANN或SVM分类器结合使用，提高表情识别的准确率。 4）基于运动特征的提取：提取动态图像序列的运动特征（今后研究的重点） 主要方法：光流法 光流是指亮度模式引起的表观运动，是景物中可见点的三维速度矢量在成像平面上的投影，它表示景物表面上的点在图像中位置的瞬时变化，同时光流场携带了有关运动和结构的丰富信息 光流模型是处理运动图像的

6、有效方法，其基本思想是将运动图像函数f(x,y,t)作为基本函数，根据图像强度守恒原理建立光流约束方程，通过求解约束方程，计算运动参数。 优点：反映了表情变化的实质，受光照不均性影响较小 缺点：计算量大 （4）分类判别:包括设计和分类决策在表情识别的分类器设计和选择阶段，主要有以下方法：用线性分类器、神经网络分类器、支持向量机、隐马尔可夫模型等分类识别方法1）  线性分类器：假设不同类别的模式空间线性可分，引起可分的主要原因是不同表情之间的差异。2） 神经网络分类器：人工神经网络(ArtificialNeuralNetwork,ANN)是一种模拟人脑神经元细胞的网络结构，它是由大量简单

7、的基本元件—神经元，相互连接成的自适应非线性动态系统。将人脸特征的坐标位置和其相应的灰度值作为神经网络的输入，ANN可以提供很难想象的复杂的类间分界面。  神经网络分类器主要有:多层感知器、BP网、RBF网  缺点：需要大量的训练样本和训练时间，不能满足实时处理要求3） 支持向量机(SVM)分类算法：泛化能力很强、解决小样本、非线性及高维模式识别问题方面表、新的研究热点基本思想：对于非线性可分样本，首先通过非线性变换将输入空间变换到一个高维空间