人脸表情作为形体语言（Body Language）之一，在人与人之间的交流中起着举足轻重的作用。它不仅有助于增强表达的效果，而且有助于人们准确理解他人所表达的含义。“察言观色”（《论语·颜渊》）、“喜形于色”（《贞观政要·纳谏》）等成语表明我国古人很早就注意到表情的重要性。
随着计算机科学技术的飞速发展，人工智能长足的进步，传统心理学、生理学与计算机科学的相结合，面部表情识别应运而生。它融合人机自然交互、计算机视觉、情感计算以及图像处理于一体，广泛应用于心理学、公共安全、消费电子产品、远程教育、游戏互动以及临床医学等领域，因而成为生物特征识别领域的又一研究热点之一。面部表情识别是一项艰巨的任务。它因年龄、种族、性别，甚至脸部的毛发、化妆品的使用以及所佩戴的眼镜不同而影响整个识别性能[1]。在国内外研究人员的不懈努力下，过去的几十年里，人们在面部表情识别方面取得了卓越的成就，结合新的理论知识，提出了许多行之有效的方法。
Panti等人[2]使用多个检测器在空间中定位人脸以及人脸器官（如眼睛，嘴巴等），最后通过提取10个人脸基准点和19个人脸器官基准点特征信息来标识32个面部肌肉运动单元。对于计算机来说，人脸的形变除了人脸上受各器官影响之外，还受姿势、个人外貌以及环境光照的干扰。Lanitis等人[3]通过统计分析一系列人脸图像，获得一个人脸外貌简洁参数模型来描述人脸。Gabor核函数因很好地描述了哺乳动物初级视觉系统中一对简单视觉神经元的感受特性而备受人们的青睐。Lyons等人[4]利用Gabor小波来编码人脸表情；朱等人[5]通过使用5个尺度、8个方向的Gabor滤波器组来提取人脸表情特征。图片经过Gabor滤波后，会产生相当多的冗余信息。以朱等人的为例，将一幅32×32的图片经过5个尺度，8个方向的滤波器组滤波后，得到的图像特征维数高达32×32×5×8=40960维，这大大增加了特征降维的难度。LBP算子是一种有效的纹理描述算子。
基于局部二元模式的面部表情识别研究
应自炉1，2，方谢燕1
YING Zi-lu1，2，FANG Xie-yan1
1.五邑大学信息学院，广东江门529020
2.北京航空航天大学电子信息工程学院，北京100083
1.School of Information，Wuyi University，Jiangmen，Guangdong529020，China
2.School of Electronics and Information Engineering，Beihang University，Beijing100083，China
E-mail：fxy1211@https://www.doczj.com/doc/804840525.html,
YING Zi-lu，FANG Xie-yan.Facial expression recognition research based on local binary https://www.doczj.com/doc/804840525.html,puter Engineering and Applications，2009，45（29）：180-183.
Abstract：A novel approach to facial expression recognition based on the combination of Local Binary Pattern（LBP）and Support Vector Machine（SVM）is proposed.First，the algorithm processes facial expression images with LBP operator and then facial expres－sion features are formed by statistics of image’s LBPs.Then Linear Discrimination Analysis（LDA）method is used for feature di－mension reduction and SVM for classification.Finally，the algorithm is implemented with Matlab and experimented in Japanese Fe－male Facial Expression database（JAFFE database）.A recognition rate of70.95%is obtained and shows the effectiveness of the proposed algorithm.
Key words：facial expression recognition；Local Binary Pattern（LBP）；Linear Discrimination Analysis（LDA）；Support Vector Ma－chine（SVM）
摘要：提出了一种基于局部二元模式（Local Binary Pattern，LBP）与支持向量机（SVM）相结合的面部表情识别方法。使用LBP算子对图像进行处理，对图像的模式进行统计形成面部表情特征；使用线性判别分析对表情特征进行降维处理；采用支持向量机对面部表情进行分类。用Matlab实现了上述方法，并在日本女性人脸表情（JAFFE）数据库上测试，取得了70.95%的识别率。
关键词：面部表情识别；局部二元模式；线性判别分析；支持向量机
DOI：10.3778/j.issn.1002-8331.2009.29.053文章编号：1002－8331（2009）29-0180-04文献标识码：A中图分类号：TP391
基金项目：广东省自然科学基金（the Natural Science Foundation of Guangdong Province of China under Grant No.07010869）；北京大学视觉与听觉信息处理国家重点实验室开放课题基金项目（No.0505）；浙江大学CAD&CG国家重点实验室开放课题（No.A0703）。
作者简介：应自炉（1966-），男，副教授，研究方向是信号与信息处理、人机自然交互、模式识别、人脸表情识别；方谢燕（1983-），男，硕士生，研究方向为面部表情识别。
收稿日期：2008-05-29修回日期：2008-08-25
图3JAFFE
表情图像示例及预处理结果
图5常用LBP 算子
图1面部表情识别方框图
图像归一化处理Gamma 校正
获取人脸图像表情图像表情类别标签SVM 分类器
LDA 特征提取
LBP 算子
预
处理
表情识别特征形成与提取
图4LBP 算子示例
35331724354337
10
22
10
0011
00
阈值：35
编码：（01001001）
=69
它可以对灰度图像中局部邻近区域的纹理信息进行度量和提取，且能在一定程度上有效抑制光照影响，应用广泛。Heusch
等人[6]将LBP 作为一种图像预处理技术引入到人脸识别中。人脸用其经LBP 算子滤波后的纹理模式来表示，取得了较好的效果。
针对LBP 算子对于环境光照变化的不敏感性以及支持向量机泛化能力强的特性，提出了一种基于局部二元模式与支持向量机相结合的面部表情识别方法，其方框图如图1所示。其主要由三部分构成：表情图像预处理，面部表情特征形成与提取以及表情识别。
1表情图像预处理
人的面部表情信息主要集中在脸部。人的头发与配饰，以
及所处的背景常常容易影响面部表情识别的性能。
通过获取纯面部图像，摒弃额外的附加干扰信息，往往是面部表情识别工作的第一步。纯面部表情图像可以通过自动、手动等方式获得。采用后者，使用手工裁剪的方法获得面部图像。由于拍摄环境、被摄对象的不同，故经裁剪后得到的图像尺寸大小也不一
。这在后期的识别阶段上则表现为特征维数不一，对识别来说是相当不利的。因此将图像尺寸进行缩放归一到某个固定的几何尺寸显得极为重要。环境光照强度、方向的变化会影响物体成像的清晰度与形状，模糊图像的一些外在表现的特征。如何减少环境光照变化对识别性能的影响，对那些基于图片识别的系统来说是永恒的。Gamma 变换是一种非线性的灰度变换，用式（1）来表示。
g （I ）=
I r
，0 （1） 即原来的灰度值I 用I γ （γ>0）或者log （I +1）（γ=0）来代替。 其中γ∈[0，1][7]。Gamma 变换的光照补偿因图像像素灰度值不同而异，图2给出了不同参数的Gamma 变换曲线。对于图像较暗的地方，光照补偿大，而对于高光部分则较小。表情图像预处理结果如图3所示。第一行为JAFFE 数据库原始图像，第二行为剪切获得的纯表情图像，第三行显示了经过尺寸归一化与Gamma 变换后的图像。 2LBP 算子 LBP 算子最初由Ojala 等人[8]于1996年提出， 并将其成功应用于纹理分类。最基本的LBP 算子是一个3×3的矩阵，包含有9个灰度值。给出中心像素点灰度值g c ，中心周围几个像素灰度值与中心像素灰度值相比较，大于等于中心像素点灰度值则标为1，否则记为0，然后按照逆时针方向将中心周围像素点的标记读出来组成一个二进制编码，最后中心像素点的灰度值g c 的值用计算得到的LBP 值来代替，图4给出了一个LBP 算子示例。 为了提高LBP 算子的鲁棒性、提取大尺寸的纹理特征，研 究人员在原始LBP 算子的基础上提出了可变半径的纹理描述算子LBP P ，R ，用式（2）表示。其中S （x ）定义如式（3），R 为以中心像素点为圆心的圆环半径，P 为均匀分布在以R 为半径的圆环上的采样点个数。图5从左到右依次显示了（4，1）、（8，1）、（8，2）三种常用邻域的LBP 算子。 LBP P ，R =j=p -1 j =0 ΣS （g j -g c ）2 j （2）S （x ）= 1，x ≥0 0， x <≥0（3） 对于一个P 值为8的LBP 算子来说，共有2的8次方种模式。据统计，256种模式中有相当一部分在图像中出现的机率很小。于是研究人员对LBP 二进制编码0-1或1-0的变化次数加以限制，规定总变化次数不超过两次，从而提出了一种LBP 均匀模式（uniform ），用LBP u 2 P ，R 表示。例如：编码（01001001）0-1/1-0变化次数为5次则不在均匀模式之列， 而编码（10000001）只变化了2次，为均匀模式。对于非均匀模式，统一用一个编码来表示。 这样大大减少了模式的数量。以P 值为8的LBP 算子为例，其均匀模式为58个，将所有的非均匀模式用一个编码来表示，则所有的模式共59种。 为了研究均匀LBP 算子在表情识别中的有效性，特别对每一幅表情图像的均匀模式进行了统计，结果如图6所示。上面的曲线表示表情样本图像经以（8，1）为领域的均匀LBP 算子滤波后的信息保留量，其均值为94.07%。下面的曲线则是以 á???áLBP 图7算子图像处理实例 LBP u 2 P ，R 图8表情图像特征形成 áááááá???????????????????????????116 16 … 图9 两种不同策略的SVM 分类器 （a ） OAOSVM 策略（b ）OAASVM 策略 （8，2 ）为领域的均匀LBP 算子滤波后的信息保留量，其均值为88.84%。由此可见，LBP 算子保留了足够的表情图像信息，适合于表情图像纹理特征提取。经LBP 均匀模式算子计算得到的图像如图7所示。 3基于均匀LBP 算子的表情识别 3.1表情特征形成 当一幅表情图像经过LBP 算子计算之后，并不直接使用 图像像素值作为特征，对其进行下一步的特征降维与提取。现 在图像的每个像素的值，已经不再是原来人脸图像所表示的人 脸在这点上亮度的明暗，而是在LBP 均匀模式中人为定义的一 种模式。 对于表情特征描述，首先将图像划分成许多的小方格，对每个小方格中的模式进行统计得出其直方图。然后将这些直 方图按照一定的顺序串联起来，形成一个长的直方图串，如图 8所示。这一直方图串就记录了一幅人脸图像的表情特征。 3.2LDA 特征降维经过LBP 算子计算后形成的特征维数跟图像本身尺寸的 大小无关，通常只跟所使用的LBP 算子的采样点数P 值、是 否为均匀模式以及图像方格划分方式有关。以图7为例，将经LBP u 2 8，2算子运算后的图像采用4×4的方格划分方式，最后得到图像的直方图串特征维数为59×4×4=944维。对于后期的训练、识别来说，大量的冗余数据在吞噬着存储空间的同时，耗费了大量的计算能力，而且效果不一定好，很容易产生维数灾难。 如何从大量的特征中找出和适宜的特征，用尽可能少的特征来表示原来数据的本质，这就是特征降维所要实现的功能。降维 后的数据不仅有利于降低分类器的复杂性，而且能够提高分类器的性能且计算量小。线性判别分析（Linear Discriminate Ana-lysis ，LDA ）主要思想是寻求一个投影矩阵W ，使得投影后的样本分布呈同一类别样本尽量聚集在一起（类内距离S W 小）不同类别样本则尽量分开（类间距离S B 大）的趋势，即Fisher 准则，用J （W ）表示，如式（4）所示。用S i 表示某一类在投影前样本的分散程度，用函数式（5）表示；用S W 来表示总的类内距离以及 用类间距离S B 来描述各类样本之间的分散程度， 其定义分别如式（6），式（7）所示。式中x 为样本数据，c 表示样本类别个数，m i 为第i 类样本的均值，而m 则为总的样本均值。通过求使J （W ） 最大时的W 即可以得到LDA 的投影矩阵。如果S W 可逆， 当需要将特征维数降到K 维时，通过对S W -S B 进行特征值分解，提取前K 个最大的特征值对应的特征向量作为W 的列向量，即可求得LDA 的投影矩阵。 J （W ）=|W t S B W ||W t W | S W -S B （4）S i =x ∈D i Σ（x-m i ）（x-m i ）t （5）S W =c i =1ΣS i （6） S B =c i =1 Σn i （m i -m ）（m i -m ）t （7） 3.3 SVM 特征分类 支持向量机（Support Vector Machine ，SVM ）是以统计学习理论为基础，按照结构风险最小化原则设计的一种模式分类方法。对于线性可分的两类问题，SVM 不仅能将两类准确无误地分开，而且能找到最优分类线，将两类准确分开的同时离两类的空隙最大。当将其延伸到高维空间时，这就成了一个最优的分类超平面。对于多类问题，可以通过构造新的多值分类模型来解决。 然而，多值分类模型计算复杂，实现起来相对困难。通过使用多个二值分类器来解决多类问题不失为一个上策。常用 的方法有一对一（One Against One ，OAO ）与一对多（One A －gainst All ，OAA ）两种策略。对于一个C 类问题，OAO 方法需要 构造C ×（C -1）/2个分类器而OAA 则只需构造C 个分类器。就 整个样本空间来说，OAOSVM 策略优于OAASVM 策略。图8显示了两种不同策略求解3分类问题的结果。当待测样本位于图9（b ）所示的三条分类线交叉形成的三角形中时，OAASVM 则 很难准确将其判为某一类。但是OAASVM 所需分类器少、计算量小，采用OAASVM 策略。以3分类问题为例，当训练第i 个类别时，将所有的i 类置为正样本而其他的归为负样本。这样 训练得到3个分类器C i （x ），（i =1，2，3）。最后用这3个分类器对测试数据分别进行计算，选择最大的C i （x ），则测试数据属于该类别i 。 4实验结果 实验采用ATR 的JAFFE 数据库作为算法的检验平台。可 表情类别LBP u 2 8，2识别率LBP u 28，1 识别率生气86.6780.0 厌恶66.6760.0 恐惧56.6743.33 高兴90.0083.34 中性60.0060.0 悲伤60.0043.33 惊讶86.6780.0 表1 不同LBP 算子的7种表情识别率 （%） 特征形成与降维方法 表情识别率 PCA 53.8 KPCA 53.6 LDA 55.7 GDA 65.7 LBP+LDA 70.95 表2 不同特征形成与降维方法之比较 （%） 获得的JAFFE 数据库包含有10个日本女性的7种表情，每种表情图片由2～4张不等的256×256的灰度图组成， 共213张。为了便于组织数据，选取其中的210张作为实验数据。实验采用留一法来获得较客观算法性能评价。以人为划分依据，将所选数据分成10份。将第一个人的样本作为测试集，余下9个人的样本组成训练集来设计分类器并用测试集来检验；然后将第二个人的样本作为测试集，余下9人的样本作为训练集，如此循环10次。最后通过计算10次结果的平均识别率来评估算法的识别性能。 在图像预处理阶段，将剪切得到的纯面部表情图像尺寸归一化到255×255大小， 而Gamma 变换参数则设为0.45以使图片得到很好的光照补偿。实验首先使用LBP u 2 8，2算子对图片进行处理。方格划分直接影响到表情识别的整体性能。如方格划分过密，则形成的特征较多（特征维数=59×方格数），到后期很难降维。如过稀疏，形成特征太少不能准确反映面部表情特征从而导致识别效果差。实验首先通过使用3×3和4×4两种方格划分方法验证这一假设。它们的识别率分别为52.38%和55.71%。虽然识别率相差不大，但是可以看出方格的不同划分方式直接影响着面部表情识别率。那么还有哪些可行的方格划分方案呢？根据人脸五官的比例特征，前人得出了“三庭五眼”这一结论。根据这一特点，采用了3×5的方格划分方案进行实验，识别结果如图10所示。从图10中的加点虚线可以看出，随着特征的维数增加，识别率呈直线上升。当维数达到5×5维时，识别率增长趋于稳定。当达到20×5维时，识别率达到最大值，为70.95%，而此时各种表情的识别率如表1所示。其中高兴的识别率最高，达到90%。而生气与惊讶也有较高的可识别性，识别率略低于高兴为86.67%，厌恶与恐惧两种表情识别率最低，为56.67%。同时，还采用了LBP u 2 8，1算子对图像进行处理并与LBP u 2 8，2的识别效果相比较。结果如图10加点实线所示。当维数达到36×5维 时，识别率最高，为64.29%，各种表情的识别率如表1所示。在前面已经分析了两种LBP 算子的信息保留量。结果显示LBP u 2 8， 1算子比LBP u 2 8，2算子平均高出5.23%，然而最高识别率却比LBP u 28， 2的低6.66%。由此可见，并非信息保留量决定着识别的准确性，而是纹理描述算子的合理性决定了识别率的高低。 最后通过采用SVM 作为分类器，将主成份分析（Principal Component Analysis ，PCA ）、核主成份分析（KPCA ）、LDA 以及 广义鉴别分析（Generalized Discriminant Analysis ，GDA ）四种不同的特征形成与降维方法与LBP+LDA 的方法作了比较，各识别率如表2所示。通过比较可知LBP 与LDA 作为表情特征 形成与降维方法的在面部表情识别中有效性。 5结论 面部表情识别是一项极具挑战性的工作。但是其广阔的应 用前景，对人类自身的一种认识与发现，深深吸引了国内外许多科研机构投入大量的人力与物力。经过几十年的发展，面部表情识别开始走出实验室，慢慢进入商业应用阶段。其中典型的有Sony 公司的T200相机以及Hanson Robotics 公司制作的类人机器人。在实验中，LBP+LDA 作为特征形成与降维方法，与SVM 相结合取得了较好的识别效果。但是要想使识别率更 进一步地提高，还需努力。 在实验方案中，人脸图像截取采用手工形式，不利于实时处理。引入自动人脸检测是实验方案的下一目标。在LBP 模式统计方格划分上没有固定的方法，采用3× 5的策略是否最优， 这也值得深思。参考文献： [1]Fasel B ，Luttine J.Automatic facial expression analysis ：A survey[J]. Pattern Recognition ，2003，36（1）：259-275.[2]Pantic M ，Rothkrantz L J M.Facial action recognition for facial ex －pression analysis from static face images[J].IEEE Transactions on Systems ，Man and Cybernetics ：Part B ，2004，34（3）：1449-1461. [3]Lanitis A ，Taylor C J ，Cootes T F.Automatic interpretation and coding of face images using flexible models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence ，1997，19（7）：734-756. [4]Lyons M ，Akamatsu S ，Kamachi M ，et al.Coding facial expressions with Gabor wavelets[C]//3th IEEE International Conference on Au － tomatic Face and Gesture Recognition ，Nara Japan ，1998：200-205.[5]朱健翔，苏光大，李迎春．结合Gabor 特征与Adaboost 的人脸表情识别[J]．光电子·激光，2006，17（8）：993-998.[6]Heusch G ，Rodriguez Y ，Marcel S.Local binary patterns as an image preprocessing for face authentication[C]//Procee-dings of the 7th International Conference on Automatic Face and Gesture Recogni －tion ，2006：9-14.[7]Tan Xiaoyang ，Triggs B.Enhanced local texture feature sets for face recognition under difficult lighting conditions[C]//Proceedings of the 2007IEEE International Workshop on Analysis and Modeling of Faces and Gestures ，Rio de Janeiro ，Brazil ，2007：168-182.[8]Ojala T ，Pietikainen M ，Harwood D.A comparative study of texture measures with classification based on featured distributions[J].Pat － tern Recognition ，1996，29（1）：51-59.[9]边肇祺，张学工.模式识别[M].2版.北京：清华大学出版社，2000. 模式识别的研究现状与发展趋势 摘要：随着现今社会信息技术的飞速发展, 人工智能的应用越来越广泛, 其中模式识别是人工智能应用的一个方面。而且现今的模式识别的应用也越来越得到大家的重视与支持，在各方面也有重大的进步。模式识别也成为人们身边不可或缺的一部分。关键词：人工智能，技术，模式识别，前景 Abstract：In the modern society with the rapid development of information technology, the application of a rtificial intelligence is more and more extensive, among them pattern recognition is one of the ap ply of artificial intelligence. And now the application of pattern recognition is also more and more to get everyone's attention and support, in various aspects have significant progress. Pattern rec ognition has become an integral part of people around. Keywords: Artificial Intelligence, Technology,Pattern Recognition, prospects 一，引言 如今计算机硬件的高速发展, 以及计算机应用领域的不断开拓, 人们开始要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说, 目前一般计算机却无法直接感知它们, 我们常用的键盘、鼠标等外部设备, 对于这些外部世界显得无能为力。虽然摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换, 并与计算机联机, 但由于识别技术不高, 而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下, 成为开拓计算机应用的瓶颈, 也与其高超的运算能力形成强烈的对比。于是, 着眼于拓宽计算机的应用领域, 提高其感知外部信息能力的学科———模式识别, 便得到迅速发展。 人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式, 是对人类感知外界功能的模拟, 研究的是计算机模式识别系统, 也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用范围遍及遥感、生物医学图象和信号的分析、工业产品的自动无损检验、指纹鉴定、文字和语音识别、机器视觉地圈模式识别等方面。 二，现状 以地图模式识别为例，地图模式识别是由计算机来对地图进行识别与理解, 并借助一定的技术手段, 让计算机研究和分析地图上的各种模式信息, 获取地图要素的质量意义。其计算处理的过程类似于人对地图的阅读。 地图模式识别是近年来在地图制图领域中新兴的一门高新技术, 是信息时代人工智能、模式识别技术在地图制图中的具体应用。由于它是传统地图制图迈向数字地图制图的一座桥梁, 因此,地图模式识别遥感技术、地理信息系统一起, 被称为现代地图制图的三大技术。 目前, 地图模式识别由于具有广泛的应用价值和发展潜力,因而受到了人们的普遍重视。尤其是随着现今的计算机及其外部硬件环境的不断提高, 科技不过发展的情况下， 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较 《微表情识别读脸读心》2019期末考试题与答 案 一、单选题（题数：40，共40.0 分） 1安慰反应的形态意义哪一项描述是错误的?() A、视线转移,频繁眨眼,闭眼(视觉安慰);轻哼,吹口哨,吁气(听觉安慰) B、舔嘴唇,磨牙,咀嚼,吞咽,吸烟; (口部安慰) C、挠头皮,玩头发,搓脖子;摸脸、额头、鼻子、耳朵、嘴、下巴;捂住锁骨,拍胸口,按摩腹部; 松领带、领口,玩项链、耳环等;搓手,玩手指; 抖腿等(肌肤安慰) D、身体约束僵住 答案：D 2关于这场猜测锁匙位置的测试哪一项描述是错误的?() A、李博士将锁匙放在6墙-8行-8列却在卡片上写6墙-8行-9列是动用了反测试策略 B、这种反测试策略的核心就就是强化不真实遗忘真实 C、这种反测试策略属于意识转移类的精神反测试 D、李博士反测试没有获得成功 答案：D 3关于辨析情绪的意义哪一项描述是错误的?() A、排除了干扰因素才能锁定刺激与情绪反应的因果联系 B、行为痕迹特征不能与说谎直接划等号 C、科学识别应该是找到差异点 D、回应刺激时视线向左表示回忆,视线向右表示编造 答案：D 4关于松明猜测硬币藏匿手的测试哪一项描述是错误的?() A、王力宏上台即双手叉腰或抱胸是紧张的对抗反应 B、询问喜欢的颜色及血型的用意是找回答真实的基线反应 C、一般而言人们习惯于多用或首先使用顺手 D、使用顺手是不自信的表现 答案：D 5逃离反应的形态意义哪一项描述是错误的?() A、吓了一跳、后退、头、身体、脚转向一边 B、深吸气,脸色发白,全身发冷,腿发颤 C、视线转移,坐姿、站姿角度扭转 D、面孔、肢体靠近刺激源 答案：D 6关于表达者表达解析哪一项描述是正确的?() A、疏忽几个表情动作的观察不影响准确判断其真实内心 B、是准确认识表达者内心的基础和前提 C、只要盯着其眼动反应就能准确判断其真实内心 D、只要关注其情绪与事件性质是否一致就能准确判断其真实内心 答案：B 7微表情是指持续时间多长的表情?() A、1/2秒 B、不足1/5秒 模式识别研究进展 刘成林，谭铁牛 中国科学院自动化研究所 模式识别国家重点实验室 北京中关村东路95号 摘要 自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，是人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt的感知机[1]和Nilsson的学习机[2]就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20世纪80年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。 模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain等人的综述[3]已经全面介绍了2000年以前模式分类方面的进展，本文侧重于2000年以后的研究进展。 面部表情识别实验 实验报告 小组成员： 面部表情识别实验 西南大学重庆 400715 摘要：情绪认知是一种复杂的过程，它包含观察、分析、判断、推理等，是借助于许多线索，特别是借助面部那些活动性更大的肌肉群的运动而实现的。所以，情绪认知的准确度受多种因素的影响。 当我们与他人相互交往的时候，不管是不是面对面。我们都正在不断的表达着情绪，同时又正在观察，解释着的对方做出的表情，在人际交往过程中，情绪的表达和认知是十分的迅速和及时，那么人是借助于哪些表情来认知他人的情绪的呢？情绪识别实际上并不是针对表情本身的，而是针对这它背后的意义。例如：皱眉可能是一种情绪的表现，我们见到这种面部表情就试图解释潜在于它背后的情绪。尖锐，短促，声音嘶哑可能是一种情绪表现，我们听到这种语言表情就试图解释潜在于它背后的情绪捶胸，顿足可能是一种情绪的表现，我们见到这种动作表情就是试图解释潜在于它背后的情绪。对于这个复杂的问题，心理学家曾经做过许多的研究。 面部表情认知的研究可分为两个步骤：第一步是面部表情刺激物的制作或选择，这可以用专门拍摄(录像)或图示来描画，也可以用完全装扮出的活生生的表情或自发的表情等。第二步时对表情进行识别评定。也可以用多种方法，如自由评定法，即让被试自由地对表情给出情绪词汇；或限制评定法，即向被试提供各种提供各种情绪词汇或情绪情境，要求被试只能根据所提供的情绪词汇或者情绪情境进行分类或者匹配等；或参照自由评定法，即向被试提供参考线索（如情境，人格特征等），让其说出所表达的情绪的词汇等。 关键词：情绪表情认知线索 1 前言 传统心理学把情绪列为心理现象的三大方面之一。情绪也是心理学理论体系中一个不可缺少的研究环节。情绪（emotion）是体验，又是反应；是冲动，又是行为；它是有机体的一种复合状态。情绪的表现有和缓的和激动的，细微的和强烈的，轻松的和紧张的等诸多形式，广泛地同其他心理过程相联系。自古以来，科学家们十分注意探讨情绪之奥妙，但与情绪的重要性不相适应的是，长期以来情绪研究一直是心理学尤其是实验心理学研究中的一个薄弱环节。造成这一现象的最主要原因是情绪所特有的复杂性以及由此衍生出来的情绪研究方法学上的困难。我国心理学家孟昭兰（1987）将理论认为面部表情是传递具体信息的外显行为面部表情是提供人们在感情上互相了解的鲜明标记。情绪过程既包括情绪体验，也包括情绪表现，而表情既是情绪的外部表现，也是情绪体验的发生机制；既是最敏锐的情绪发生器，也是最有效的情绪显示器。这就从机制上说明了以面部肌肉运动模式作为情绪标志的根据。 面部表情（facial expression_r）的发生是有其客观的物质基础的：表情按面部不同部位的肌肉运动而模式化，面部反应模式携带着心理学的意义，那就是或快乐、或悲伤等具体情绪。但是，对表情进行测量的原则在于：所要测量的是面孔各部位的肌肉运动本身，而不是面部所给予观察者的情绪信息。该实验将14名被试分为两组进行表情认知的实验，实验目的在于通过实验了解面部表情认知的基本 人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： 模式识别研究进展 摘要：自20 世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别（Pattern Recognition）是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt 的感知机和Nilsson 的学习机就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20 世纪80 年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识 别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/ 视频的处理、 分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain 等人的综述[3] 已经全面介绍了2000 年以前模式分类方面的进展，本文侧重于2000 年以后的研究进展。 2. 历史回顾 现代模式识别是在20 世纪40 年代电子计算机发明以后逐渐发展起来的。在更早的 人工智能与模式识别 摘要：信息技术的飞速发展使得人工智能的应用围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。模式识别是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词：模式识别；数字识别；人脸识别中图分类号； Abstract: The rapid development of information technology makes the application of artificial intelligence become more and more widely. Pattern recognition, as one of the important aspects, has always been an important direction of artificial intelligence research. In the introduction of artificial intelligence and pattern recognition related knowledge at the same time, artificial intelligence in pattern recognition applications were discussed.Pattern recognition is a basic human intelligence, the emergence of the 20th century, 40 years of computer and the rise of artificial intelligence in the 1950s, pattern recognition technology has made great progress. Pattern recognition and statistics, psychology, 图像处理与模式识别 ------人脸表情识别介绍摘要：人脸表情是我们进行交往和表达情绪的一种重要手段，不经过特殊训练，人类对其面部表情往往很难掩饰，所以，通过对人脸表情进行分析，可以获得重要的信息。人脸表情识别是人机交互的智能化实现的一个重要组成部分，也是模式识别、图像处理领域的一个重要研究课题，近几年来，受到了越来越多的科研人员的关注。 本文综述了国内外近年来人脸表情识别技术的最新发展状况，对人脸表情识别系统所涉及到的关键技术: 人脸表情特征提取，做了详细分析和归纳。 关键词：人脸定位；积分投影；人脸表情识别；流形学习；局部切空间排列Abstract:Facial expression is a kind of important means that we communicate and express the special training, People often difficult to conceal their facial , by the analyzing facial expression, we can obtain important information. Facial expression recognition is an important component that the implementation of human-computer interaction, and an important research topic in the field of pattern recognition, image processing, in recent years, more and more researchers focus on this topic. In this paper,we present the latest development of this area,and give a detailed analysisand summary for facial 1.1 微表情涵义·由来 1 【单选题】微表情是指持续时间多长的表情?()B ?A、1/2秒 ?B、不足1/5秒 ?C、5秒 ?D、以上都不对 2 【多选题】下面哪些描述符合微表情的特征?()ABCD ?A、时间不足1/5秒 ?B、受到有效刺激后的反应 ?C、不由自主地表现出来 ?D、表达内心的真实情感 3 【判断题】表情是表现在面部或姿态上的情感信息。()正确 1.2 保罗·埃克曼的贡献 1 【单选题】保罗·埃克曼研究的微表情主要在哪个领域?()C ?A、身体动作 ?B、副语言 ?C、面部表情 ?D、以上都不对 2 【多选题】保罗·埃克曼研究微表情的主要贡献有哪些?()ABCD ?A、完成面部表情编码 ?B、编撰并发布FACS—AU教程 ?C、研发微表情训练工具(Meet) ?D、人际欺骗研究 3 【判断题】独立发现并深入研究微表情的学者是保罗·埃克曼。()错误 1.3 国内·应用研究概况 1 【单选题】 国内探索微表情应用研究的实战机构不包括哪些？（）D ?A、公安机构 ?B、检察机构 ?C、安全机构 ?D、环保机构 2 【判断题】 受到lie to me 传播的影响国内业界开始关注并研究微表情。()正确 3 【判断题】 国内研究微表情的专业团队主要有中科院心理研究所傅小兰团队、中国人民政法大学姜振宇团队和上海政法学院范海鹰团队。（）正确 1.4 教学模式·教学环节 1 【单选题】微表情识别读脸读心课程宜采用哪种教学模式?()D ?A、理论讲授式 ?B、实操训练式 ?C、案例观摩式 ?D、A+B+C 2 【多选题】微表情识别读脸读心课程的教学模式包括哪些教学环节?()ABC 模式识别发展及现状综述 xxx （xxxxxxxxxxxxxxxxxxx） 摘要 [摘要]：通过对模式识别的发展及现状进行调查研究，了解到模式识别的理论和方法在很多科学和技术领域中得到了广泛的应用，极大的推动了人工智能系统的发展，同时扩大了计算机应用的可能性。模式识别 的研究主要集中在研究生物体(包括人)是如何感知对象的，以及在给定的任务下，如何用计算机实现模式 识别的理论和方法。本文详细的阐述了模式识别系统的组成结构以及模式识别的现状并展望了未来的模式 识别的发展趋势。 [关键词]：模式识别;模式识别的应用 Abstract [Abstract]:through the investigation and Study on the present situation and development of pattern recognition, knowing that the theory and method of pattern recognition has been widely used in many fields of science and technology and greatly promoting the development of artificial intelligence systems as well as expanding the fields of computer applied to.The research of pattern recognition mainly concentrated on the research of the theory and method of pattern recognition which how the organisms(including humans)to perceive objects as well as,in a given task,how to realize the pattern recognition with computer.This paper expounds the present situation and system structure of the pattern recognition as well as prospects the development trend in the future of pattern recognition. [keyword]:pattern recognition;pattern recognition applications 1前言 模式识别诞生于20世纪20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在60年代初迅速发展成一门学科。什么是模式和模式识别呢？广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以称之为模式；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)[1]。而“模式识别”则是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去。 经过多年的研究和发展，模式识别技术已广泛被应用于人工智能、计算机工程、机器人学、神经生物学、医学、侦探学以及高能物理、考古学、地质勘探、宇航科学和武器技术等许多重要领域，如语音识别、语音翻译、人脸识别、指纹识别、生物认证技术等。模式识别的技术对国民经济建设和国防科技发展的重要性已得到了人们的认可和广泛重视。本文将就模式识别所涉及的基本问题、研究的领域及其当前进展现状进行详细的介绍，并对模式识别的发展趋势进行展望。 2模式识别 2.1模式识别系统 一个计算机模式识别系统基本上是由三个相互关联而又有明显区别的过程组成的，即数据生成、模式分析和模式分类。有两种基本的模式识别方法，即统计模式识别方法和结构 模式识别基础概念文献综述 一．前言 模式识别诞生于20世纪20年代。随着20世纪40年代计算机的出现，20世纪50年代人工智能的兴起，模式识别在20世纪60年代迅速发展成为一门学科。在20世纪60年代以前，模式识别主要限于统计学领域的理论研究，计算机的出现增加了对模式识别实际应用的需求，也推动了模式识别理论的发展。经过几十年的研究，取得了丰硕的成果，已经形成了一个比较完善的理论体系，主要包括统计模式识别、结构模式识别、模糊模式识别、神经网络模式识别和多分类器融合等研究内容。 模式识别就是研究用计算机实现人类的模式识别能力的一门学科，目的是利用计算机将对象进行分类。这些对象与应用领域有关，它们可以是图像、信号，或者任何可测量且需要分类的对象，对象的专业术语就是模式（pattern）。按照广义的定义，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以成为模式。 二．模式识别基本概念 <一>.模式识别系统 模式识别的本质是根据模式的特征表达和模式类的划分方法，利用计算机将模式判属特定的类。因此，模式识别需要解决五个问题：模式的数字化表达、模式特性的选择、特征表达方法的确定、模式类的表达和判决方法的确定。一般地，模式识别 系统由信息获取、预处理、特征提取和选择、分类判决等4部 分组成，如图1-1所示。 观察对象→→→→→→→→→类→类别号信息获取预处理特征提取和选择分类判决 图1-1模式识别系统的组成框图 <二>.线性分类器 对一个判别函数来说，应该被确定的是两个内容：其一为方程 的形式；其二为方程所带的系数。对于线性判别函数来说方程 的形式是线性的，方程的维数为特征向量的维数，方程组的数 量则决定于待判别对象的类数。对M类问题就应该有M个线 性判别函数；对两类问题如果采用“+”“-”判别，则判别函数 可以只有一个。既然方程组的数量、维数和形式已定，则对判 别函数的设计就是确定函数的各系数，也就是线性方程的各权 值。在计算机上确定各权值时采用的是“训练”或“学习”的 方法，这就是待识别的模式集中挑选一批有代表的样本，它们 经过人工判读成为已知类别的样本，把这批样本逐个输入到计 算机的“训练”程序（或算法）中去，通过一次一次的迭代最 后得到正确的线性判别函数，这样一个迭代的运算的过程成为 训练过程。由于样本的分类首先经过人工判读，因而这样的构 成分类器也称为有人监督或有教师的分类器。 <三>.特征选择和提取 <1>、特征选择 特征的获取是依赖于具体的问题和相关专业的知识的，无法进 心理科学进展 2005，13（4）：497~516 Advances in Psychological Science 面部表情识别与面孔身份识别的 独立加工与交互作用机制* 汪亚珉1，2 傅小兰1 （1中国科学院心理研究所，脑与认知国家重点实验室，北京 100101）（2中国科学院研究生院，北京 100039） 摘 要面孔识别功能模型认为，面部表情识别与面孔身份识别是两条独立的并行路径。以往诸多研究者都认可并遵循二者分离的原则。但近期研究表明，面部表情识别与面孔身份识别存在交互作用。首先总结和分析已有的面部表情识别的研究成果，评述神经心理学与认知神经科学研究中的论争，然后介绍人脸知觉的分布式神经机制以及相关的实验证据，最后提出面部表情识别与面孔身份识别的多级整合模型，并展望研究前景。 关键词面孔身份识别，面部表情识别，面孔识别功能模型，人脸知觉的分布式神经模型，多级整合模型。分类号 B842 面孔识别一直备受研究者关注。20世纪70年代，Ekman和Frisen系统地研究了人脸基本表情的文化普遍性，并从解剖学角度提出了6种基本的面部表情[1]。20世纪80年代，Bruce和Young系统地研究了人对面孔的识别及其影响因素，提出了经典的面孔识别功能模型[2]。自此，面孔识别成为认知科学研究领域中的热点问题之一。 人能轻易地从不同表情中识别出同一个人的面孔（即面孔身份识别，facial identity recognition），也能从不同人的面孔上识别出同一种表情（即面部表情识别，facial expression recognition），识别得如此精巧，以至众多研究者相信，识别面孔与识别表情 收稿日期：2005-04-24 * 本研究得到中国科技部973项目（2002CB312103）、国家自然科学基金重点项目（60433030）和面上项目 （30270466）、中国科学院心理研究所创新重点项目 （0302037）经费支持。 通讯作者：傅小兰，E-mail: fuxl@https://www.doczj.com/doc/804840525.html, 两者相互独立，互不干扰[2～7]。那么，这种分离识别究竟是如何实现的？面孔身份识别与面部表情识别究竟是彼此独立的还是相互作用的？这已成为认知科学（尤其是计算机视觉）面孔识别研究领域中亟待解决的一个重要问题。 在过去开展的大量研究中，对面孔身份识别问题的探讨相对比较深入，而对面部表情识别的研究则囿于经典功能模型，并未能取得实质性进展。近年来随着脑认知研究技术的发展，面部表情识别的研究也在不断深入，研究者对面部表情识别与面孔身份识别间的关系也提出了新的阐释。本文在综述已有研究的基础上，试图进一步探讨面部表情识别与面孔身份识别之间的独立加工与交互作用机制。首先，基于经典面孔识别功能模型，分析传统的面孔身份识别与面部表情识别的并行分离加工观点，以及行为学、神经心理学与认知神经科学的研究发现；其 模式识别研究进展 摘要：自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt 的感知机和Nilsson的学习机就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20 世纪80 年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/ 视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain 等人的综述[3]已经全面介绍了2000 年以前模式分类方面的进展，本文侧重于2000 年以后的研究进展。 2. 历史回顾 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 (Facial Action Coding System)，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 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-Kanade AU-Coded Facial Expression Image Database(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。 →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→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。 →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 不同面部表情的识别速度与识别准确性差异研究 一、引言速度—准确性权衡是关系到一切反应时实验信度的基本问题，下面我们将尝试通过一个简单的生活化的实验来展示任务速度和任务准确性之间普遍的权衡关系。在反应时实验中，当被试追求较快的速度时，必然要以牺牲准确性为代价。同样，当被试力求高的准确性时，也必然要以放慢速度为代价。在具体的实验中，被试究竟会如何权衡二者的关系，取决于很多因素。本实验主要探讨不同面部表情（痛苦、微笑、悲哀、快乐）识别速度与准确率是否存在显著差异。 实验假设：不同面部表情的识别速度与识别准确性存在差异 二、实验目的通过实验证明不同面部表情（痛苦、微笑、悲哀、快乐）的识别速度与识别准确性存在差异，本实验旨在研究不同面部表情的识别速度与识别准确性存在差异，通过自编的e-prime 实验程序对四十名被试进行施测。 三、实验仪器与材料 痛苦、微笑、悲哀、快乐的图片（均选自于标准的实验图片库）、电脑、e-prime 程序 四、实验设计 采用单因素完全随机化设计 自变量为不同面部表情、区分为（痛苦、微笑、悲哀、快乐）四种。每个小组只接受一种实验处理，只对一种表情做出反应。 因变量为反应时、准确率，分别是识别的准确率、以及被试对不同面部表情识别的反应时。 五、实验程序 （一）被试构成 采用简单随机抽样，在弘德楼随机选取了几个自习室，共选取了 40 个被试。男女各半，年龄为18-23 岁，随机分为四个小组。 （二）研究工具 在计算机上自编好e-prime 实验程序 （三）实验过程 （1）正式实验前被试要先进行几次类似练习，以熟悉按键反应。 （2）被试坐在电脑前，接受相同的指导语。其指导语为：“在接下 来的一段时间里你将继续进行此类题目的正式作答，请用心作答”。被试按键确认后即开始正式实验、期间不再中断休息。 （3）使用主试自编计算机视觉搜索程序，每帧呈现一副面部表情图 片，每幅图片呈现的间隔时间一致，随机播放图片。每种表情的图片都有10 张，每张呈现2 次，共呈现20 次，所有表情图片共呈现80 次。痛苦按 “1 ”键、微笑按“2”键、悲哀按“3”键、快乐按“4 ”键。 其中第1 小组只对痛苦做反应、2 小组只对微笑做反应、3 小组只对悲哀做反应、4 小组只对快乐做反应。每出现一幅图要求被试按对应的反应键，计算机自动记录反应时间和正确率。 2019年微表情识别-读脸读心最新满分考试答案 一、单选题（题数：40，共分） 1.愉悦的识别要点包括的表情形态和意义，以下错误的是（）A A.瞪眼 B.咧嘴 C.嘴角上扬 D.超乎预期的满足和开心 2. 微表情是指持续时间多长的表情() B A、1/2秒 B、不足1/5秒 C、5秒 D、以上都不对 3. 关于猜测选放的墙的测试哪一项描述是错误的()B A、李博士回应天蝎座,b型血、警号3867问题时目光低视,摇头说我不知道是控制的对抗反应 B、在听到十八岁那年考上了海洋大学出现快速眨眼,点头是思考比对时的真实反应 C、在听到这成为了您神探之路的起点时出现连连点头是高度认同的下意识反应 D、人在接受有效刺激时也能完全控制自己的情绪反应 4. 冻结反应的形态意义哪一项描述是错误的()D A、面部的惊讶 B、肢体的约束 C、呼吸的控制 D、肢体冰冷 5. 有意控制的动作的形态意义哪一项描述是错误的()D A、可以出现在面部表情 B、可以出现在身体动作 C、可以出现在站姿或坐姿 D、可以控制出汗或面部颜色 6. 国内探索微表情应用研究的实战机构不包括哪些（）D A、公安机构 B、检察机构 C、安全机构 D、环保机构 7. 反应性行为的形态意义哪一项描述是错误的() D A、包括副语言行为 B、包括头部反应 C、是难以自主控制的生理反应 D、是可以自主控制的生理反应 8. 关于表达者表达解析哪一项描述是正确的() B A、疏忽几个表情动作的观察不影响准确判断其真实内心 B、是准确认识表达者内心的基础和前提 C、只要盯着其眼动反应就能准确判断其真实内心 D、只要关注其情绪与事件性质是否一致就能准确判断其真实内心 9. 爱恨反应的形态意义哪一项描述是错误的() D A、爱的时候会主动亲近对方 B、恨的时候会主动拉开距离 C、身体间的距离,可以体现出人和人之间的心理距离 D、人的内心的喜爱与厌恶是不能从表情动作中表达出来的 10. 保罗·埃克曼研究的微表情主要在哪个领域() C A、身体动作 B、副语言 C、面部表情 D、以上都不对 11. 仰视反应的形态意义哪一项描述是错误的() D A、头和肢体向上是正仰视反应 B、头和肢体向下是负仰视反应 C、有身份地位差异的握手是正或负仰视反应的体现 D、头和肢体远离刺激源 12. 关于松明猜测硬币藏匿手的测试哪一项描述是错误的()D A、王力宏上台即双手叉腰或抱胸是紧张的对抗反应 B、询问喜欢的颜色及血型的用意是找回答真实的基线反应 C、一般而言人们习惯于多用或首先使用顺手 D、使用顺手是不自信的表现 13. 关于这场猜测锁匙位置的测试哪一项描述是错误的() D A、李博士将锁匙放在6墙-8行-8列却在卡片上写6墙-8行-9列是动用了反测试策略 B、这种反测试策略的核心就就是强化不真实遗忘真实 C、这种反测试策略属于意识转移类的精神反测试 D、李博士反测试没有获得成功 14. 关于情绪“干扰点”哪一项描述是错误的() D A、有意控制行为 B、经历带入反应模式识别的研究现状与发展趋势
人脸识别技术的应用背景及研究现状
《微表情识别读脸读心》2019期末考试题与答案
模式识别研究进展-刘成林and谭铁牛
面部表情识别实验报告分析
人脸识别技术的应用背景及研究现状
模式识别研究进展
人工智能与模式识别
人脸表情识别
2019最新版微表情识别·读脸读心答案
模式识别发展及现状综述
模式识别文献综述
面部表情识别与面孔身份识别的独立加工与交互作用机制_汪亚珉
模式识别研究进展
人脸表情识别综述
实验心理学实验设计方案-表情识别
2019年微表情识别-读脸读心考试答案
相关主题
文本预览