动态表情识别综述

第３２卷　

Ｖｏ１．３２　第ｌ１期　

№ｎ　计算机工程　

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　２００６年６月　

Ｊｕｎｅ　２００６　

・人工智能及识别技术・　文章螭号Ｉ　ｌｏｏ　＿３４２８（２ｏ０６）ｌｌ—　２３ｌ—ｏ３　文献标识码　Ａ　中田分类号Ｉ　ＴＰ３９１．４１　

基于计算机视觉的表情识别技术综述　

王意良，刈芳，王莉　

（北京科技大学信息工程学院，北京１　０００８３）　

摘要：介绍了基于计算机视觉的表情识别的定义、应用前婿和困难所在；阐述了表情识别的步骤，并比较了与人脸识别的异同；重点按　

照不同的特征提取和分类器设计方法对表情识别技术进行了综述。介绍了几何特征、统计特征、频率域特征和运动特征的提取方法及线性、　

神经网络、支持向量机分类器的设计和选择方法，并进行了简单的分析和比较；最后展望了表情识别的发展方向。　

关健词：表情识别；光流；支持向量机　

Ｓｕｒｖｅｙ　０ｆ　Ｆａｃｉａｌ　Ｅｘｐｒｅｓｓｉｏｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｂａｓｅｄ　０ｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　

ＷＡＮＧＺｈｉｌｉａｎｇ，ＬＩＵｆａｎｇ，ＷＡＮＧＬｉ　

（Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ。Ｂｅｉｊｉｎｇ　１　０００８３）　

［Ａｂｓｔｒａｃｔ］Ｔｈｉｓ　ｐａｐｅｒ　ｇｉｖｅｓ　ｄｅｆｉｎｉｔｉｏｎ．ａｐｐｌｉｃａｔｉｏｎ　ｆｕｔｕｒｅ　ａｎｄ　ｄｉｆｆｉｃｕｌｔｉｅｓ　ｏｆ　ｆａｃｉａｌ　ｅｘｐｒｅｓｓｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｃｏｍｐｕｔｅｒ　ｖｉｓｉｏｎ　Ｉｔ　ｄｅｓｃｒｉｂｅｓ　ｆｈｅ　ｓｔｅｐｓ　ｏｆ　ｆａｃｉａｌ　ｅｘｐｒｅｓｓｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｎｄ　ｃｏｍｐａｒｅｓ　ｉｔ　ｗｉｔｈ　ｆａｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｅｎ　ｃｕｒｒｅｎｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｔｅｃｈｎｏｌｏｇｉｅｓ　ａｒｅ　ｒｏｕｇｈｌｙ　ｉｎｔｒｏｄｕｃｅｄ　ａｎｄ　

基于卷积神经网络的动态表情识别技术探究

近年来，随着人工智能技术的快速发展，基于卷积神经网络的动态表情识别技术逐渐引起了人们的关注。本文将探究这一技术的原理、应用和发展前景。

首先，我们来了解一下卷积神经网络（Convolutional

Neural Network，CNN）的基本原理。CNN是一种深度学习网络结构，其灵感来源于人类视觉系统的工作原理。它通过多层卷积和池化操作，从图像中提取出各种特征，再经过全连接层进行分类或回归。

在动态表情识别中，卷积神经网络可以应用于处理视频或者连续的图像序列。首先，通过视频帧的采集，我们可以得到一系列静态图像。然后，将这些图像作为CNN的输入，经过卷积和池化层进行特征提取。最后，通过全连接层进行表情分类。

在该技术的研究和应用中，学者们通常会采用公开的表情数据库，如Cohn-Kanade数据库和FER2013数据库。这些数据库包含了大量的人脸图像和相应的表情标签，可以作为训练和测试模型的数据集。在实际应用中，我们可以利用这些数据集来训练一个动态表情识别模型。

与传统的图像识别方法相比，基于卷积神经网络的动态表情识别技术具有明显的优势。首先，卷积神经网络可以自动从图像中学习到更高层次的特征表示。这意味着它不再需要手动提取特征，而是能够通过训练自动学习到最适合该任务的特征。其次，基于CNN的动态表情识别技术可以处理各式各样的表情，无论是微笑、愤怒还是悲伤，都能够准确地进行识别。

除了普通的动态表情识别外，基于卷积神经网络的技术还可以应用于其他领域，如情绪分析、人脸识别和人机交互等。例如，在情绪分析方面，动态表情识别技术可以帮助我们了解人们在观看电影或者参加会议等场景中的真实情感反应。在人机交互方面，该技术可以帮助机器识别用户的情绪，从而提供更加智能化的服务。

然而，基于卷积神经网络的动态表情识别技术在实践中仍然面临着一些挑战。首先，由于视频或者连续图像序列的数据量较大，训练过程需要较高的计算资源和时间。其次，由于每个人的表情习惯和表达方式不同，模型的泛化能力仍然存在一定的局限性。此外，由于人脸表情受到各种因素的影响，如光照、姿势等，模型的鲁棒性也需要进一步提高。

2132018年第 02 期

收稿日期:2018-01-12*基金项目:国家自然科学基金面上项目(61173184)。作者简介:杨晓龙(1991—),男,河南安阳人,硕士研究生,研究方向:人脸表情识别;闫河(1972—),男,陕西汉中人,博士,教授,硕士生导师,研究 方向:图像多尺度几何分析、目标跟踪、人工智能等。1 引言在日常生活中,人脸表情是人际交往中的一种方式,是一种非肢体、非语言交流方式。心理学家Mehrabian[1]指出:感情表达=7%的言语+38%的声音+55%的人脸表情。在日常生活与交流中,人们可以通过面部表情间接的表达自己的感情和想法,让对方感受到自己直观的态度。同时,人们也可以通过对方的面部表情,辨别出对方的情绪和真正的意图,可见,面部表情在日常人际交流中十分重要。随着科学技术的不断发展和人工智能的快速崛起,人机交互(Human-Computer Interaction,HCI)也成为了较多领域的研究热点,如何实现人与计算机有感情的交流也成为了当前的研究趋势。同时,众多科学家渴望人与计算机人性化、智能化的交流,计算机可以像人一样感知周边环境和世界的变化,这也是人机交互的终极目标。2 人脸表情识别理论框架基于计算机的人脸表情识别是指:首先在视频或图像中检测出人脸,然后对人脸的表情信息进行特征提取,最后通过训练分类器进行表情分类识别。如图1所示,人脸表情识别理论框架大致包括人脸检测、表情特征提取和表情识别三个部分。通常要进行人脸表情识别视频或图像中不仅包含人脸,还包含其他干扰物体和背景区域,因此,需要将人脸检测并分割出来。对于整个人脸表情识别过程中,人脸检测相当于对图像进行预处理,减少图像中干扰对表情识别的影响。人脸检测主要通过分析人脸所特有的特征,然后从待检测的图像中搜索、判定可能存在的人脸区域,进一步计算确认如果确实存在人脸,则定位、分割出图像中人脸所在的区域,最后计算得出人脸的坐标位置等信息,目前,人脸检测技术已经取得了快速的发展[2-5]。人脸检测后,然后对人脸表情信息进行特征提取。有效的表情特征提取能够提高识别的准确率,特征的提取方法有几何特征提取、纹理特征提取和深度学习内部对特征学习的方法。将测试集提取到表情特征作为输入,用来训练分类器,将提取到的人脸表情特征数据按照一定的评判规则划分到相应的类别,判断和归类人脸表情。根据不同表情特征提取方式,选取适当的分类器,最终训练得到分类准确、泛化能力强的分类器是该步骤的核心人脸表情识别综述*杨晓龙 闫河 张杨(重庆理工大学 计算机科学与工程学院,重庆 400054)摘要:人脸表情识别是机器视觉、模式识别和人工智能等众多领域的重点研究方向,目前已成为众多学者和专家的研究热点。本文介绍了人脸表情识别理论框架,概括性的介绍了人脸检测、表情特征提取和表情识别的常用方法,并介绍了相关改进方法和一些新的方法,同时分析了各方法的优缺点。最后,对人脸表情识别的发展和进一步改进指明了方向。关键词:人脸表情识别；人脸检测；表情特征提取；表情识别中图分类号:TP391文献标识码:A文章编号:1007-9416(2018)02-0213-02学术论坛DOI:10.19695/12-1369.2018.02.109

龙源期刊网

人脸表情识别综述

作者：孙蔚 王波

来源：《电脑知识与技术》2012年第01期

摘要：人际交往中，面部表情为人们相互间的交流提供了一种重要的渠道，人们通过面部丰富细小的变化，能表达各种各样的表情。该文综合介绍了人脸表情识别的研究背景和国内外现状，并且罗列出了和表情识别相关的一些重要国际会议，总结了近十年来国内外研究学者在表情识别领域提出的各自创新的研究方法，最后提出在表情识别研究中仍然存在的问题和不足。

关键词：表情识别；研究方法；创新；不足

中图分类号：TP18文献标识码：A文章编号：1009-3044(2012)01-0106-03

A Survey of Facial Expression Recognition

SUN Wei1,2, WANG Bo1

(rmation Science of Nanjing College for Population Program Management, Nanjing,

210042, China; 2.College of Automation Engineering, Nanjing University of Aeronautics and

Astronautics, Nanjing 210016, China)

Abstract: Facial expression is a key to nonverbal communication, which has been confirmed by

many different research projects. A change in intensity or magnitude of even one specific facial

expression can cause different interpretations. In this paper, the background of facial expression