表情識別技術(shù)綜述

1、人臉表情識別技術(shù)綜述1. 摘要：表情識別作為一種人機交互的方式，成為研究的熱點?；趯Ρ砬樽R別的基本分析，文章重點介紹了面部表情識別的國內(nèi)外研究情況和面部表情特征的提取方法。關(guān)鍵詞：表情識別；特征提?。槐砬榉诸?。2. 前言：進入21世紀，隨著計算機技術(shù)和人工智能技術(shù)及其相關(guān)學科的迅猛發(fā)展，整個社會的自動化程度不斷提高，人們對類似于人和人交流方式的人機交互的需求日益強烈。計算機和機器人如果能夠像人類那樣具有理解和表達情感的能力，將從根本上改變?nèi)伺c計算機之間的關(guān)系，使計算機能夠更好地為人類服務(wù)。表情識別是情感理解的基礎(chǔ)，是計算機理解人們情感的前提，也是人們探索和理解智能的有效途徑。如果實現(xiàn)計算機對

2、人臉表情的理解與識別將從根本上改變?nèi)伺c計算機的關(guān)系，這將對未來人機交互領(lǐng)域產(chǎn)生重大的意義。3. 面部表情識別的國內(nèi)外研究情況面部表情識別技術(shù)是近幾十年來才逐漸發(fā)展起來的，由于面部表情的多樣性和復(fù)雜性，并且涉及生理學及心理學，表情識別具有較大的難度，因此，與其它生物識別技術(shù)如指紋識別、虹膜識別、人臉識別等相比，發(fā)展相對較慢，應(yīng)用還不廣泛。但是表情識別對于人機交互卻有重要的價值，因此國內(nèi)外很多研究機構(gòu)及學者致力于這方面的研究，并己經(jīng)取得了一定的成果。人臉面部表情運動的描述方法-人臉運動編碼系統(tǒng)FACS (Facial Action Coding System)，根據(jù)面部肌肉的類型和運動特征定義了基

3、本形變單元AU（Action Unit），人臉面部的各種表情最終能分解對應(yīng)到各個AU上來，分析表情特征信息，就是分析面部AU的變化情況 FACS有兩個主要弱點：1.運動單元是純粹的局部化的空間模板；2.沒有時間描述信息，只是一個啟發(fā)式信息4面部表情特征的提取方法表情特征提取是表情識別系統(tǒng)中最重要的部分，有效的表情特征提取工作將使識別的性能大大提高，當前的研究工作也大部分是針對表情特征的提取。目前為止的人臉面部表情特征提取方法大都是從人臉識別的特征提取方法別演變而來，所用到的識別特征主要有:灰度特征、運動特征和頻率特征三種閻?；叶忍卣魇菑谋砬閳D像的灰度值上來處理，利用不同表情有不同灰度

4、值來得到識別的依據(jù)。運動特征利用了不同表情情況下人臉的主要表情點的運動信息來進行識別。頻域特征主要是利用了表情圖像在不同的頻率分解下的差別，速度快是其顯著特點。在具體的表情識別方法上，分類方向主要有三個:整體識別法和局部識別法、形變提取法和運動提取法、幾何特征法和容貌特征法。整體識別法中，無論是從臉部的變形出發(fā)還是從臉部的運動出發(fā)，都是將表情人臉作為一個整體來分析，找出各種表情下的圖像差別。其中典型的方法有:基于特征臉的主成分分析(prineipalComponentAnalysis，pCA)法、獨立分量分析法(Indendent ComPonentAnalysis，ICA)、Fisher線性

5、判別法(Fishers LinearDiscriminants，F(xiàn)LD)、局部特征分析 (LoealFeatureAnalysis，LFA)、Fishe誕動法(Fisherctions)、隱馬爾科夫模型法(HideMarkovModel，HMM)，聚類分析法和流形法。局部識別法就是將人臉的各個部位在識別時分開，也就是說各個部位的重要性是不一樣。比如說在表情識別時，最典型的部位就是眼睛、嘴、眉毛等，這些地方的不同運動表示了豐富的面部表情。相比較而言，鼻子的運動就較少，這樣在識別時就可以盡量少的對鼻子進行分析，能加快速度和提高準確性。其中最典型的方法就是臉部運動編碼分析法(FacialAetion

6、seodesystem，F(xiàn)Aes)和MPEe一4中的臉部運動參數(shù)法其他的還有局部主分量分析法 (LocalPCA)、Gabor小波法和神經(jīng)網(wǎng)絡(luò)法。形變提取法是根據(jù)人臉在表達各種表情時的各個部位的變形情況來識別的，主要的方法有:主分量分析法(PeA)、o汕or小波、運動模板法 (Aetivesh叩 eModel，AsM)6和點分布模型(PointDistributionModel，PDM)法。運動法是根據(jù)人臉在表達各種特定的表情時一些特定的特征部位都會作相應(yīng)的運動這一原理來識別的。典型的識別方法有:光流法 (OPticalFlow)78和MPEG一4中的臉部運動參數(shù)法 (FaceAnimatio

7、nparameterFAp)。幾何特征法是根據(jù)人的面部的各個部分的形狀和位置(包括嘴、眼睛、眉毛、鼻子)來提取特征矢量，這個特征矢量來代表人臉的幾何特征。根據(jù)這個特征矢量的不同就可以識別不同的表情。重要的方法是:基于運動單元(AU)的主分量分析法。在容貌特征法中，主要是將整體人臉或者是局部人臉通過圖像的濾波，以得到特征矢量。常用的濾波器是Gabor小波。當然，這三個發(fā)展方向不是嚴格獨立，它們只是從不同側(cè)面來提取所需要的表情特征，都只是提供了一種分析表情的思路，相互聯(lián)系，相互影響。有很多種方法是介于兩者甚至是三者之間。例如說面部運動編碼系統(tǒng)法是局部法的一種，同時也是從臉部運動上考慮的等等。所以，

8、接下來的分析將不從這三個方向上去說明，而是直接簡單描述各種主要的算法。 流形學習算法在實現(xiàn)降維的過程中，較好的保留了本樣本間的非線性結(jié)構(gòu)，這對于靜態(tài)表情圖像和序列表情圖像的分析都有獨特的優(yōu)勢。但是，用流形學習算法來處理表情特征有個問題需要解決：意思大多數(shù)流形學習算法不像線性降維法那樣，可從訓練集中得到適用于待測樣本的投影向量，只能以批處理的方式進行。為了得到某些待測樣本的流形嵌入向量，必須要將該樣本加入其中。五 目前存在的難點和問題(1) 基于Ekinan分類的六種基本表情和中性表情不足以描述人類復(fù)雜多變的真實表情，如何找到更精確的描述方式是目前魚待解決的問題；(2) 多特征融合和多分類器融合

9、的方法也是改善識別性能的一個手段。 (3) 由于人臉為非剛體性，人臉之間的相似性以及各種變化因素的影響，準確的人臉識別仍較困難。為了滿足自動人臉識別技術(shù)具有實時要求，在必要時需要研究人臉與指紋、虹膜、語音等識別技術(shù)的融合方法。 (4) 3D形變模型可以處理多種變化因素，具有很好的發(fā)展前景。已有研究也表明，對各種變化因素采用模擬或補償?shù)姆椒ň哂休^好的效果。三維人臉識別算法的選取還處于探索階段，需要在原有傳統(tǒng)識別算法的基礎(chǔ)上改進和創(chuàng)新。 (5) 已有人臉表情數(shù)據(jù)庫或自建人臉表情數(shù)據(jù)庫往往受約束條件較多，如背景單一、沒有各種飾物的干擾、人臉不發(fā)生旋轉(zhuǎn)或只有微小旋轉(zhuǎn)、夸張化的面部表情等。用計算機來分析識別面部表情是一個非常復(fù)雜的問題，準確的人臉表情識別仍然存在諸多困難。參考文獻：l張一鳴。人臉表情識別。遼寧:大連理工大學碩士學位論文，2006，12。2劉芳。應(yīng)用圖像處理技術(shù)的人臉表情識別研究。北京:北京科技大學碩士學位論文，2003，06。3王志良，劉芳，王莉。基于計算機視覺的表情識別技術(shù)綜述J。計算機工程，2006一06，32(11）:231一233。4龔婷。面部表情識別研究。浙江：浙江工業(yè)大學碩士學位論