人脸表情自动识别系统的研究与实现
人脸表情识别与情感分析技术研究
人脸表情识别与情感分析技术研究人们在日常生活中会通过面部表情来表达自己的情感状态，这也成为了人与人之间交流的重要方式之一。
而随着科技的发展，人脸表情识别与情感分析技术逐渐崭露头角，具有广泛的应用前景。
本文将就人脸表情识别与情感分析技术的概念、原理、应用和发展前景进行深入研究。
一、人脸表情识别技术人脸表情识别技术是指通过计算机视觉和模式识别技术，对人脸图像或视频中的表情进行自动识别和分类。
其主要包括特征提取和分类器构建两个步骤。
1.1 特征提取人脸表情识别技术的第一步是对人脸图像中的表情进行特征提取。
常用的特征提取方法有几何特征、纹理特征和深度学习等。
几何特征是通过测量人脸的几何变化来提取表情特征，如眼睛的开合程度、嘴角的上扬或下弯等。
纹理特征则是通过分析人脸图像的纹理信息来提取表情特征，如皱纹的出现和消失、皮肤颜色的变化等。
而深度学习则是利用神经网络模型从大量的数据集中学习人脸表情的特征表示，实现更加准确和高效的表情识别。
1.2 分类器构建特征提取之后，人脸表情识别技术的下一步是构建分类器，用于将提取到的特征与预定义的表情类别进行匹配和分类。
常用的分类器包括支持向量机（SVM）、卷积神经网络（CNN）、决策树等。
这些分类器都能够通过训练样本数据来学习表情特征与表情类别之间的映射关系，并在测试阶段对新的人脸图像进行准确的表情分类。
二、情感分析技术情感分析技术又称为情感识别技术，是通过对文本、语音、图像等多种形式的数据进行分析，自动判断其中的情感状态，包括喜、怒、哀、乐等。
在人脸表情识别的基础上，情感分析技术更加注重于对情感状态的理解和分析。
情感分析技术主要包括情感特征提取和情感分类两个步骤。
2.1 情感特征提取情感特征提取是指从输入的数据中提取出能够表征情感状态的特征。
对于人脸图像而言，常用的情感特征有面部表情、眼神、皮肤颜色等。
2.2 情感分类情感分类是指将提取到的情感特征与预定义的情感类别进行匹配和分类。
人脸识别技术的原理与实现方法
人脸识别技术的原理与实现方法人脸识别技术是一种通过计算机对人脸图像进行处理和分析，来实现自动识别和辨认人脸身份的技术。
它广泛应用于安防领域、人脸解锁设备、身份验证、社交媒体过滤和人脸表情分析等方面。
本文将介绍人脸识别技术的原理和实现方法。
一、人脸识别技术的原理1. 人脸采集人脸识别系统首先需要获取人脸图像或视频。
常见的人脸采集方式包括摄像头捕捉、视频录制和图像输入等方式。
采集到的图像经过预处理后，可以用于进一步的特征提取和人脸匹配。
2. 预处理预处理阶段主要包括图像裁剪、图像旋转和图像增强等处理。
图像裁剪是为了将人脸从原始图像中分离出来，消除不必要的背景信息。
图像旋转是为了使人脸图像朝向一致，便于后续处理。
图像增强可以提升图像质量，增强关键信息的可见度。
3. 特征提取特征提取是人脸识别技术的核心环节。
常见的特征提取方法包括局部二值模式（Local Binary Pattern, LBP）、主成分分析（Principal Component Analysis, PCA）和线性判别分析（Linear Discriminant Analysis, LDA）等。
这些方法能够从图像中提取出具有辨别力的特征向量，用于人脸识别的分类和匹配。
4. 人脸匹配人脸匹配是通过计算机算法将输入的人脸特征与数据库中存储的人脸特征进行比对，从而确定人脸的身份。
常用的匹配算法包括欧氏距离、马氏距离和余弦相似度等。
匹配结果可以得出与输入人脸最相似的人脸或身份。
5. 决策阶段决策阶段是根据匹配结果判断人脸识别的最终结果。
当匹配得分超过一定阈值时，判定为认证通过，否则判定为认证失败。
二、人脸识别技术的实现方法1. 基于2D人脸识别方法2D人脸识别方法使用的是人脸图像或视频的信息。
该方法对图像的质量和角度要求较高。
基于2D人脸识别的方法包括基于特征提取的方法和基于神经网络的方法。
其中，基于特征提取的方法一般使用LBP、PCA或LDA等算法提取人脸特征，并进行匹配。
基于深度学习的人脸识别与表情识别技术研究
基于深度学习的人脸识别与表情识别技术研究人脸识别与表情识别技术是目前计算机视觉领域的重要研究内容之一。
随着深度学习技术的发展，基于深度学习的人脸识别与表情识别技术也取得了显著的进展。
本文将重点探讨深度学习在人脸识别和表情识别方面的应用和研究现状。
一、深度学习在人脸识别方面的应用人脸识别是一种通过对人脸图像进行处理和分析，识别出其中的个体身份信息的技术。
深度学习在人脸识别方面的应用主要包括人脸检测、人脸特征提取和人脸识别三个方面。
1. 人脸检测人脸检测是人脸识别的第一步，其主要目标是在图像中准确地找到人脸的位置。
传统的人脸检测方法通常是基于图像特征和机器学习算法，但其准确率和鲁棒性都有一定的局限性。
而基于深度学习的人脸检测技术通过使用卷积神经网络（Convolutional Neural Network, CNN）进行特征学习和分类，能够显著提高人脸检测的准确率和鲁棒性。
2. 人脸特征提取人脸特征提取是指从检测到的人脸图像中提取出能够表征个体身份信息的特征向量。
在过去的几年中，基于深度学习的方法逐渐取代了传统的特征提取算法，如局部二值模式（Local Binary Pattern, LBP）和主成分分析（Principal Component Analysis, PCA）。
深度学习方法如卷积神经网络（CNN）和人脸识别网络（FaceNet）能够提取出更加鲁棒和具有判别性的人脸特征。
3. 人脸识别人脸识别是将得到的人脸特征向量与已知的人脸数据库进行比对，以实现个体身份的识别。
深度学习在人脸识别方面的最大贡献之一就是利用深度神经网络（Deep Neural Network, DNN）进行人脸识别。
例如，著名的深度学习模型Siamese网络通过将两张人脸图像通过卷积神经网络进行编码，然后通过判断两个编码向量之间的距离来判断是否为同一个人。
二、深度学习在表情识别方面的应用表情识别是一种通过对人脸图像中的表情信息进行分析和识别，推测出人物的情感状态的技术。
人脸表情识别技术的情感分析应用研究
人脸表情识别技术的情感分析应用研究引言：随着科技的迅速发展，人脸表情识别技术成为了一个非常火热的研究领域。
这一技术在情感分析领域具有广泛的应用前景。
情感分析旨在通过分析人的表情来推断他们的情感状态。
本文将探讨人脸表情识别技术的应用和相关研究的进展。
1.人脸表情的情感分析意义人的表情是情感的重要表达方式，通过分析人脸表情，可以获取和推断个体的情感状态。
情感分析可以应用于情绪检测、情感状态监测、情感识别等领域。
2.人脸表情识别技术的方法2.1 特征提取特征提取是人脸表情识别的核心环节。
常用的方法包括图像处理、特征选择和特征提取。
图像处理技术可以去除背景杂乱干扰、调整图像大小和对比度，使图像更适合表情识别。
特征选择和特征提取方法可以帮助提取图像中最有代表性的特征。
2.2 模型构建与训练借助机器学习和深度学习等算法，人脸表情识别模型被构建和训练。
常用的算法包括支持向量机、随机森林和深度神经网络。
模型的训练需要大量的数据集和标记。
研究者通常采用公开的人脸表情数据库来训练和测试模型。
3.应用领域和案例分析3.1 情绪检测通过人脸表情识别技术，可以实现情绪的检测、分类和分析。
情绪检测可以用于心理疾病的诊断和治疗、情感调节、用户体验等方面。
例如，一个人在做某项任务时，表情总是愤怒或焦虑，那么可以推断他对这项任务感到压力或紧张。
3.2 情感状态监测人脸表情识别技术还可以用于监测人们的情感状态变化。
例如，在面临某些压力或困境时，人们的表情可能会变得紧张或担忧。
通过监测这些情感状态的变化，我们可以更好地理解人们对不同环境的反应和适应程度。
情感状态监测可以在教育、医疗、安全监控等领域得到广泛应用。
3.3 情感识别人脸表情识别技术的另一个重要应用领域是情感识别。
通过分析人的表情，可以准确推断他们的情感状态，例如高兴、悲伤、惊喜等。
情感识别可以应用于广告评估、市场调研、用户反馈等方面。
例如，通过分析消费者购物时的表情，可以了解他们对商品的兴趣度和满意度，从而改进产品的设计和销售策略。
人脸表情识别系统设计与实现
人脸表情识别系统设计与实现摘要：人脸表情识别系统是一种基于计算机视觉和模式识别技术的应用程序，能够识别人脸照片或实时视频中的表情，并根据表情分类结果进行情感分析。
本文将详细介绍人脸表情识别系统的设计与实现，并探讨了系统中所使用的关键技术，包括人脸检测、特征提取、分类器训练等。
1. 引言随着人工智能技术的发展，人脸表情识别系统在各个领域得到了广泛应用。
它可以用于心理研究、智能娱乐、面部特征分析等方面。
人脸表情识别系统可以通过识别人脸图像或视频中的表情，从而理解表情背后的情感状态。
这对于提升人机交互、社交智能等方面具有重要意义。
2. 系统设计2.1 数据采集与预处理为了构建有效的人脸表情识别系统，首先需要收集足够数量的表情样本作为训练数据。
可以通过拍摄人脸照片或视频，或使用公开可用的数据集进行数据收集。
然后需要对数据进行预处理，包括人脸检测、对齐和图像增强等操作，以提高后续的表情识别效果。
2.2 人脸检测与关键点定位人脸检测是人脸表情识别系统中的关键步骤，其目的是在输入的图像或视频中准确地定位人脸区域。
常用的人脸检测方法包括Haar特征、HOG特征以及深度学习方法等。
检测到人脸区域后需要进一步进行关键点定位，即定位人脸的眼睛、嘴巴等特征点，以便后续的表情特征提取。
2.3 特征提取与选择针对人脸表情识别任务，可以使用多种特征描述子。
常用的特征包括LBP特征、HOG特征、SIFT特征等。
这些特征可以捕捉到人脸图像中的纹理、形状等信息。
在特征选择过程中，可以使用主成分分析（PCA）或线性判别分析（LDA）等方法对特征进行降维，以减少计算复杂度和提高分类准确度。
2.4 分类器训练与验证在人脸表情识别系统中，分类器的选择和训练对于系统的性能至关重要。
常用的分类器包括支持向量机（SVM）、人工神经网络（ANN）等。
通过使用带标签的训练数据集，可以训练分类器并对其性能进行验证。
采用交叉验证和混淆矩阵等评价指标来评估分类器的准确度和鲁棒性。
智能化表情识别系统的研究与应用
智能化表情识别系统的研究与应用表情是人类表达情感的重要方式之一，可以传递非常丰富的信息。
如今，随着科技的发展，智能化表情识别系统也应运而生。
智能化表情识别系统是指通过人工智能技术实现对人脸表情的自动识别和分析，从而推测出面部表情隐含的情感信息。
本文将探讨智能化表情识别系统的研究与应用，旨在阐述它对于人类社会的重要意义、现有技术的特点、应用场景以及未来的发展趋势。
一、智能化表情识别系统的重要意义智能化表情识别系统的研究与应用具有非常重要的意义。
首先，它可以提高人们的沟通效率。
人们在进行交流时，常常需要根据对方的表情推测出其情感状态。
而这一过程需要较高的心理认知能力，容易受到环境干扰和自身状况的影响。
而智能化表情识别系统则可以自动完成这一过程，从而减少交流双方之间的误差和不适应感，提高沟通效率。
其次，智能化表情识别系统还可以为人类自身行为的研究提供重要的数据支撑。
人类的情感体验和表情反应都受到脑神经的调节和控制，因此只能通过观察和分析行为特征来推测其内在的心理机制。
而智能化表情识别系统可以对大量不同人群的表情数据进行收集和分析，从而揭示人类情感行为的内在规律。
最后，智能化表情识别系统还有着广泛的应用前景。
目前已经有不少企业将智能化表情识别系统应用到情感营销、人脸识别等领域中，实现了巨大的商业价值。
而随着技术的不断进步和应用场景的不断拓展，智能化表情识别系统的应用前景将会越来越广阔。
二、现有技术的特点目前，智能化表情识别系统的技术主要包括图像处理、数据挖掘、模式识别、机器学习等方面。
技术实现的主要难点在于如何提取有效的特征向量，并建立有效的分类器，从而实现对表情的准确识别和分类。
在特征提取方面，目前主要采用的方法是基于几何形状信息的LBP（Local Binary Pattern）算子，和基于颜色直方图的HSV（Hue、Saturation和Value）算法。
这两种方法都可以对人脸图像进行较好的特征提取，但是LBP算子适用范围较广，可实现对各种面部表情的识别，因此在智能化表情识别系统中被广泛采用。
基于深度学习的人脸表情识别技术研究与实现
基于深度学习的人脸表情识别技术研究与实现人脸表情是人类交流的一种重要方式，能够传达丰富的信息和情感。
随着计算机智能化的发展，研究人员开始着手开发人脸表情识别技术，以便使计算机能够像人类一样理解和识别人脸表情。
近年来，基于深度学习的人脸表情识别技术在该领域取得了重大突破，为我们提供了一种快速、准确且可靠的解决方案。
深度学习是一种模仿人脑神经网络的计算模型，其以多层次的权重和偏置连接构成。
在人脸表情识别中，深度学习模型被广泛应用于特征提取和分类任务，如卷积神经网络（CNN）和循环神经网络（RNN）等。
首先，深度学习模型通过卷积神经网络从人脸图像中学习表情特征。
卷积神经网络是一种专门用于处理具有网格结构数据的人工神经网络，它利用卷积层、池化层和全连接层来实现图像特征的高效提取。
在人脸表情识别中，卷积神经网络通过多个卷积层和池化层进行逐层特征提取，从而将低级特征转换为高级特征。
此外，激活函数也被引入，以增加网络的非线性能力并提高分类性能。
其次，深度学习模型将从图像中提取的高级特征传递给循环神经网络，以实现时序建模与情感分类。
循环神经网络是一种适用于处理序列数据的人工神经网络，能够捕捉时间维度上的依赖关系。
在人脸表情识别中，将表情特征视为时间序列数据，循环神经网络通过不断迭代调整权重和偏置的学习过程，从而使模型具备了理解和预测表情变化的能力。
最后，深度学习模型通过训练大规模数据集来优化模型参数，以提高人脸表情识别的准确性和泛化能力。
基于深度学习的人脸表情识别技术通常需要大量的标记样本，以便模型能够从中学习到表情的特征。
然而，由于数据收集和标注的复杂性，研究人员常常采用迁移学习和数据增强等技术手段，以最大限度地利用有限的标记数据集。
在实际应用中，基于深度学习的人脸表情识别技术已经取得了广泛的应用。
例如，在人机交互、电影特效、心理研究等领域，深度学习模型能够准确地识别和分析人脸表情，并提供相关的反馈和建议。
此外，基于深度学习的人脸表情识别技术还被应用于人脸识别、情绪检测、心理疾病诊断等方向，为相关领域带来了重要的进展和创新。
基于机器视觉的人脸识别系统设计与实现研究
基于机器视觉的人脸识别系统设计与实现研究近年来，随着科技的不断迭代和升级，一种基于机器视觉的人脸识别技术迅速兴起，被广泛应用于社会生产生活的各个方面。
本文将从人脸识别系统的概念、技术原理、算法流程以及应用等多个维度进行深度探讨。
一、概念人脸识别系统，简称FRS，是一种通过摄像头或静态的图片采集，利用计算机视觉技术进行人脸特征提取和匹配，从而完成对目标人物身份的自动判别和识别。
FRS系统可以对已知人物进行认证，也可以对陌生人进行鉴定，从而实现不同场景下的安全监控和管理。
二、技术原理FRS系统的核心技术有两个方面: 人脸检测和人脸识别。
1. 人脸检测人脸检测是FRS系统的基础，也是最关键的任务之一。
其主要目的是通过图像处理方法，从摄像头或静态图片中找到所有可能存在的人脸，并且将其定位出来。
传统的人脸检测算法主要包括Haar特征和HOG特征等。
其中，Haar特征主要通过扫描窗口的方式进行计算，然后根据特征分类器进行分类来判定是否存在人脸。
而HOG特征则是通过统计检测窗口内的梯度方向来获取特征向量，然后通过SVM分类器进行分类来区分是否存在人脸。
2. 人脸识别人脸识别是FRS系统的核心任务之一，其主要目的是将检测到的人脸与系统中已知的人脸进行比对，从而确定目标人物的身份。
目前，主要的人脸识别算法包括传统算法和深度学习算法。
传统算法主要包括PCA，LDA和Eigenspace等，而深度学习算法主要包括CNN，RNN和LSTM等。
其中，CNN算法通过构建多层卷积神经网络，从大量的训练数据中学习抽取人脸的特征，从而实现高效的人脸识别。
三、算法流程1. 数据采集FRS系统的数据采集主要分为两种方式: 一种是在线采集，也就是实时摄像头捕捉，另一种是离线采集，也就是通过图片或者视频进行人脸数据的录入和导入。
2. 图像预处理FRS系统中的图像预处理主要包括人脸检测和人脸对齐两个步骤。
人脸检测是通过某种算法或者技术，对待识别的图像中的人脸进行检测；人脸对齐是为了保证识别系统在比对不同人脸时具有相同的人脸角度，从而达到更好的识别效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
整体法与局部法
• 整体识别法中，无论是从脸部的变形出发还是从脸部的运动出发， 都是将表情人脸作为一个整体来分析，找出各种表情下的图像差 别。其中典型的方法有：基于特征脸的主分量分析（Principal Component Analysis，PCA）法、独立分量分析法 （Independent Component Analysis，ICA）、Fisher线性判 别法（Fisher’s Linear Discriminants，FLD）、Fisher运动法 （Fisher Actions）、隐马尔科夫模型法（Hide Markov Model， HMM）和聚类分析法。 • 局部识别法就是将人脸的各个部位在识别时分开，也就是说各个 部位的重要性是不一样。比如说在表情识别时，最典型的部位就 是眼睛、嘴、眉毛等，这些地方的不同运动表示了丰富的面部表 情。相比较而言，鼻子的运动就较少，这样在识别时就可以尽量 少的对鼻子进行分析，能加快速度和提高准确性。
与小波变换相结合
• 对定位后的眼睛和嘴区域先进行小波变 化，然后对不同频带图像分别做PCA， 根据实验结果选取识别率好的频带图像， 作为分类依据，并给不同频带图像以不 同的权重，初步观察，近似图像和水平 高频将对识别有较好效果。
人脸表情识别系统流程图
二值图片 小波变换 眼睛区域 原始图片 高频图像 PCA 小波变换 低频图像 PCA 投影坐标 投影坐标 低频图像 PCA 投影坐标 分配权重 分类 进行分类 结果 高频图像 PCA 投影坐标
人脸表情识别流程图
表情特征提取的主要技术
• 表情识别的关键在于表情特征提取的准确性和有效性上。 • 目前所用到的识别特征主要有：灰度特征、运动特征和频率特征 三种。 • 灰度特征是从表情图像的灰度值上来处理，利用不同表情有不同 灰度值来得到识别的依据。这种情况下要求图像对光照、角度等 因素要进行充分的预处理，使获得的灰度值具有归一性。 • 运动特征利用了不同表情情况下人脸的主要表情点的运动信息来 进行识别。 • 频域特征主要是利用了表情图像在不同的频率分解下的差别，速 度快是其显著特点。 • 在具体的表情识别方法上，方向主要有三个：整体识别法和局部 识别法、形变提取法和运动提取法、几何特征法和容貌特征法。
PCA算法介绍
对特征值按从大到小进行排序，并按下式定义排序后的方差贡献 率
由此可求出前M个主成份分量，使其方差贡献率大于某个阈值ζ， ζ可认为是进行K-L变换后选取的子空间占原空间的比率，即保留 原图像空间的信息量， 一般取0.8。前M 个特征值对应的特征向 量组成M 维子空间，其维数远小于原图像空间的维数，且保留了 原图像的大部分信息。然后便可将待测图片向量投影到M维子空 间中，投影坐标即作为用于分类输入数据。 经PCA处理后的表情图像称为特征表情脸（eigen expression face）。
眼睛和嘴的定位方法
• 对人脸图像进行二值话和滤波去噪处理。然后进行水平灰度投影 通过对投影曲线的分析可知，人脸的主要器官眼睛和嘴巴的位置 分别对应曲线的两个谷值区域，由此可以粗略的检测出眼睛(和 嘴巴)的位置。并结合人脸五官位置的先验知识即可选取眼睛和 嘴的区域
与小波变换相结合
• 小波变换的实质是对原始信号的滤波过程，各尺度时 间内的低频信号和高频信号能够提供原始信号的时频 局部信息。在图像识别领域，应用比较多的是对数字 图像的二维离散小波变换。经过小波分解处理的图像 数据可以得到一系列不同分辨率的子图像，分别刻画 出不同频率的图像信息。一副图像经过一层二维小波 变换后，被分成4个子图：LL，LH，HL，HH。LL频 带保持原图像的内容信息，HL频带保持了原图像的水 平方向上的高频边缘信息;LH频带保持了原图像的垂 直方向上的高频边缘信息;HH频带保持了原图像在对 角线方向上的高频信息
几何法和容貌特征法
• 几何特征法是根据人的面部的各个部分的形状和位置 （包括嘴、眼睛、眉毛、鼻子）来提取特征矢量，这 个特征矢量来代表人脸的几何特征。根据这个特征矢 量的不同就可以识别不同的表情。重要的方法是：基 于运动单元（AU）的主分量分析法。 • 在容貌特征法中，主要是将整体人脸或者是局部人脸 通过图像的滤波，以得到特征矢量。常用的滤波器是 Gabor 小波。 • 当然，这三个发展方向不是严格独立，它们只是从不 同角度来进行特征提取，都只是提供了一种分析表情 的思路，相互联系，相互影响。有很多种方法是介于 两者甚至是三者之间。
表情识别的3个关键环节
• 自动人脸表情识别系统包括人脸检测，特征提 取和表情分类3个关键环节.
• 在分析人脸表情和抽取特征数据之前，首先要 进行人脸检测。检测到人脸之后将人脸从背景 中分割出来，并进行尺寸，灰度等的归一化。 之后的特征提取可以分为静态和动态图像2种 情况。最后，要定义一些人脸情感类别并且设 计分类的算法来进行人脸的表情分类.
人脸表情自动识别系统的 研究与实现
导师：赵政 学生：孙涵
提纲
• • • • • 研究背景及意义 国内外研究水平及存在问题 本文采用的技术及方法 工作进度安排 参考文献
研究背景及意义
• 人类的语言分为自然语言和形体语言两类，面部表情 是形体语言的一部分。在人类交往过程中，言语与表 情经常是相互配合的。一些心理学家研究发现在人类 进行会话交流传递信息时：话语内容占7%；说话时的 语调占38%；而说话人的表情占55%，所以说表情在 人类交往活动中起到了重要的作用。 • 因此对人类面部表情的识别与分析有重要的意义，它 不仅将有利于我们开发更高效的人机交互界面，也是 研究情感机器人，使之能表现、识别和理解人类的情 感的工作起点。
PCA算法介绍
设训练集中Байду номын сангаас一幅表情图像对应一个高维向量， 则训练集可表示为S={X1，X2，...，XN}，Xk 表示第k(1<=k<=N)幅表情图像向量。N为训练 图像的总数。则训练集的总体协方差矩阵为:
对该协方差矩阵对角化以获得特征值λ，和对 应的特征向量μ，则所有的特征向量组成一个 标准正交系。
嘴区域
进度安排
• 9月－11月完成算法的理解与研究和程序 的初步编写与调试。 • 12月－2月完成基于JAFFE人脸数据库 的实验，根据实验结果调整算法，完善 识别系统。 • 3月－5月编写论文。
主要参考文献
• • • [1]Essa Irfan A. Coding, Analysis, Interpretation, and recognition of Facial Expressions [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997-07, 19(7): 757-763. [2]Calder Andrew J, Burton A Mike, Miller Paul, Young Andrew W. A Principal Component Analysis of Facial Expressions [J]. Vision research,2001, 41: 1179-1208. [3]Baek Kyungim, Draper Bruce A, Beveridge J Ross, She Kai. PCA vs. ICA: A comparison on the [OL]./facialrecognition/FRVT2000/frvt2000.htm [4]Havran C, et al. Independent Component Analysis for face authentication [A]. KES’2002 proceedings- knowledge-based intelligent Information and Engineering Systems [C]. Crema (Italy), 2002-09. 1207-1211 [5]Bartlett Marian Stewart, Lades H Martin, Sejnowski Terrence J. Independent component representations for face recognition Proceedings of the SPIE Symposium on Electronic Imaging [A]. Science and Technology; conference on Human Vision and Electronic Imaging Ⅲ [C].California: San Jose, 1998-01. [6]Cohen Ira, Garg Ashutosh, Huang Thomas S. Emotion Recognition From Facial Expressions using Multilevel HMM [OL]./~ashutosh/papers/NIPS_emotion.pdf [7]Lyons Michael J, Budynek Julien, Aukamatsu Shigeru. Automatic Classification of Single Facial Images [J]. IEEE TRANSACTIONS ON PAMI., 1999-12, 21(12). [8]张家树 陈辉等人脸表情自动识别技术研究进展[A] 西南交通大学学报 第40卷第3期 2005-06
国内外研究水平
•
•
•
人脸表情识别是人机智能交互的重要基础，该课题涉及图像处理、运动跟踪、模 式识别、生理学、心理学等研究领域，是当前国内外模式识别和人工智能领域的 一个研究热点。 关于表情分类与识别的研究工作可以分为基于心理学的和基于计算机识别的两类， 在心理学方面，1971年，Ekman和Friesen对人类情绪进行了分类，提出6种基本 情绪:高兴(happiness)、悲伤(sadness)、惊奇(surprise)、恐惧(fear)、厌恶 (disgust),、愤怒(anger)，每种基本情绪都对应着一个独特的较为典型的脸部表 情。在此基础上他们又提出了脸部运动编码系统(Facial Action Coding System， FACS)，将脸部肌肉运动划分为不同的运动单元(Action Units, AUs)，每种运动 单元对应了不同的表情状态。;在计算机识别方面，最早是1978年，Suwa曾对选 定的连续录像画面中脸部固定的20个点进行跟踪识别，并与典型模式进行比较以 实现脸部表情识别。 目前在国际上对人脸面部表情的识别及其相关方向的研究主要有美国的麻省理工 大学（MIT）、卡耐基梅隆大学（CMU）、马里兰大学（Maryland）、日本东 京大学（Tokyo）等。在国内，也有很多大学和科研机构从事表情识别研究，主 要有清华大学、哈工大、北京交通大学、中科院自动化所和计算所等。