基于视频图像的面部表情识别研究综述
人脸识别技术综述
一、计算机人脸识别技术的基本 原理
计算机人脸识别技术的基本原理是利用图像处理和模式识别的方法，通过对人 脸图像进行预处理、特征提取和分类器设计，来对人脸进行识别。
1、人脸预处理
人脸预处理是计算机人脸识别技术的第一步，它的目的是去除图像中的噪声、 光照、表情等因素，使得人脸图像更加清晰和规整。人脸预处理的方法包括灰 度化、二值化、去噪、归一化等。
人脸识别技术综述
基本内容
随着科技的不断发展，人脸识别技术已经成为了日常生活中不可或缺的一部分。 从安防领域的身份认证到金融风控领域的风险控制，再到人机交互和智能客服 领域的用户体验优化，人脸识别技术都有着广泛的应用。本次演示将对人脸识 别技术进行综述，探讨其发展历程、现状、优缺点、挑战和未来发展方向。
相信在未来的发展中，人脸识别技术将会不断完善和提升，为人类的生活和工 作带来更加便捷和安全的应用体验。
参考内容
基本内容
随着科技的进步，计算机人脸识别技术得到了广泛的应用和发展。人脸识别技 术是一种利用计算机视觉技术来对人脸进行识别和认证的技。术，它的应用范 围已经涉及到安全监控、门禁系统、身份认证、人机交互等众多领域。本次演 示将对计算机人脸识别技术进行综述，介绍其基本原理、实现方法和发展趋势。
2、特征提取
特征提取是人脸识别的关键步骤之一，它的目的是从预处理后的图像中提取出 有效的特征，用于区分不同的人脸。特征提取的方法包括基于几何特征的方法、 基于统计特征的方法和基于深度学习的方法等。
3、分类器设计
分类器设计是人脸识别的最后一步，它的目的是利用已经训练好的分类器对人 脸特征进行分类和识别。分类器设计的方法包括支持向量机、神经网络、决策 树等。
随着人们对个人隐私保护的重视，未来的人脸识别技术将会更加注重隐私保护， 例如采用盲生化和隐私保护技术来保护用户的隐私。
《基于深度学习的人脸情绪识别的研究》范文
《基于深度学习的人脸情绪识别的研究》篇一基于深度学习的人脸情绪识别研究一、引言随着人工智能技术的不断发展，人脸情绪识别技术逐渐成为人工智能领域的重要研究方向之一。
人脸情绪识别是指通过计算机视觉技术，对人的面部表情进行分析，识别出其情绪状态，包括喜悦、愤怒、惊讶、厌恶、悲伤等基本情绪。
这一技术的广泛应用涉及人机交互、心理健康诊断、安防监控等领域。
近年来，随着深度学习技术的发展，基于深度学习的人脸情绪识别技术得到了广泛关注和研究。
本文旨在探讨基于深度学习的人脸情绪识别的研究现状、方法及未来发展方向。
二、研究现状目前，人脸情绪识别技术主要基于传统的计算机视觉技术和机器学习算法。
然而，由于人脸表情的复杂性和多样性，传统的算法往往难以准确识别。
近年来，随着深度学习技术的发展，基于深度学习的人脸情绪识别技术逐渐成为研究热点。
深度学习技术可以通过学习大量数据中的特征和模式，自动提取人脸表情的特征，从而提高识别准确率。
目前，基于深度学习的人脸情绪识别技术主要采用卷积神经网络（CNN）和循环神经网络（RNN）等深度学习模型。
其中，CNN模型可以自动提取人脸图像中的特征，而RNN模型则可以处理时序数据，对动态表情进行建模。
此外，还有一些研究采用深度学习技术对人脸表情进行三维建模，以更准确地识别表情。
三、方法与技术基于深度学习的人脸情绪识别技术主要包括以下几个步骤：1. 数据准备：收集大量包含人脸表情的图像或视频数据，并进行标注和预处理。
2. 特征提取：采用深度学习模型自动提取人脸表情的特征。
常用的模型包括CNN、RNN等。
3. 模型训练：使用大量的训练数据对模型进行训练，使模型能够学习到人脸表情的特征和模式。
4. 情绪识别：将测试数据输入到训练好的模型中，通过比较测试数据与训练数据中的特征和模式，识别出测试数据的情绪状态。
四、挑战与解决方案虽然基于深度学习的人脸情绪识别技术已经取得了一定的成果，但仍面临一些挑战和问题。
基于视频处理的人脸识别与情绪分析技术研究
基于视频处理的人脸识别与情绪分析技术研究摘要：人脸识别和情绪分析是计算机视觉领域的重要研究方向。
随着视频数据的广泛应用，基于视频处理的人脸识别与情绪分析技术也越来越受到关注和研究。
本文将介绍基于视频处理的人脸识别与情绪分析技术的研究进展，并讨论其在实际应用中的潜在问题和挑战。
1. 引言在当今社会中，人脸识别和情绪分析技术已经被广泛应用于安全监控、人机交互、市场调研等领域。
然而，传统的人脸识别和情绪分析技术主要依赖于静态图像，无法满足对视频数据的实时处理和分析需求。
因此，基于视频处理的人脸识别与情绪分析技术的研究具有重要的意义。
2. 基于视频的人脸识别技术基于视频的人脸识别技术主要包括以下几个步骤：人脸检测、人脸特征提取、人脸匹配和人脸跟踪。
其中，人脸检测是最基础的步骤，其目标是在视频中快速准确地定位人脸区域。
人脸特征提取则是通过对检测到的人脸进行特征提取，用于表示和区分不同的人脸。
人脸匹配是将提取到的人脸特征与已知数据库中的人脸进行比对，判断是否为同一人。
人脸跟踪则是在视频序列中实现对特定人脸的持续追踪。
3. 基于视频的情绪分析技术基于视频的情绪分析技术旨在通过对人脸表情的分析和识别，来推断人的情绪状态。
该技术主要包括以下几个步骤：面部特征提取、表情识别和情绪分类。
面部特征提取技术旨在从视频帧中提取与表情相关的面部特征。
表情识别技术则是通过对提取到的面部特征进行分析和学习，来识别出人脸的表情。
情绪分类则是将识别到的表情映射到特定的情绪类别，如喜悦、愤怒、悲伤等。
4. 基于视频的人脸识别与情绪分析技术研究进展近年来，基于视频处理的人脸识别与情绪分析技术取得了许多重要进展。
一方面，研究者们提出了许多新的算法和模型，以提高人脸识别和情绪分析的准确性和鲁棒性。
另一方面，随着深度学习技术的发展，基于视频的人脸识别与情绪分析技术也得到了极大的推动。
深度学习模型能够从大规模视频数据中学习到更多的特征表示，从而提高识别和分析的准确性。
人脸视频深度伪造检测方法综述
人脸视频深度伪造检测方法综述人脸视频深度伪造检测方法综述一、引言随着人工智能和计算机图像技术的发展，人脸视频深度伪造技术日益成熟，并引起了广泛的关注和担忧。
通过深度学习和图像处理技术，可以制作出极其逼真的人脸视频假象，将一个人的脸部特征合成到其他人的身上，从而产生虚假的视频。
这种技术的出现给社会带来了很大的安全隐患，影响了人们对于视频真实性的判断。
因此，研究和开发人脸视频深度伪造检测方法具有重要的现实意义。
二、人脸识别与伪造技术1. 人脸识别技术人脸识别技术是建立在人脸特征提取和模式识别的基础上，通过计算机对人脸图像进行处理，实现对人脸的自动识别和辨认。
人脸识别技术应用于伪造检测中，可以对比视频中出现的人脸与真实人脸数据库中的数据，判断视频的真实性。
2. 伪造技术伪造技术通过使用深度学习和图像处理技术，对人脸进行合成，将一个人的脸部特征嵌入到其他人的身上，从而伪造出逼真的视频。
伪造技术的出现对于视频真实性的判断提出了新的挑战。
三、人脸视频深度伪造检测方法人脸视频深度伪造检测方法是指通过使用计算机视觉和深度学习技术，对视频进行分析和处理，以判断视频是否为伪造。
目前，关于人脸视频深度伪造检测的方法主要有以下几种：1. 动态纹理分析通过对视频中人脸的动态纹理进行分析，可以检测视频中的伪造。
伪造视频的纹理往往不够自然和平滑，在运动时会出现明显的不一致性。
因此，通过对视频中人脸的纹理变化进行监测和分析，可以判断视频是否为伪造。
2. 时空一致性分析人脸视频伪造时，往往会在细节处出现一些不一致性，比如光照的变化、阴影的位置等。
通过对视频中人脸的时空一致性进行分析，可以检测视频的真实性。
3. 深度学习方法深度学习方法在人脸视频深度伪造检测中应用广泛。
通过搭建深度学习网络，对视频中的人脸进行特征提取和判断，可以有效地检测伪造视频。
常见的深度学习方法包括卷积神经网络、循环神经网络等。
四、人脸视频深度伪造检测方法的挑战虽然已经有了一些人脸视频深度伪造检测方法，但是其仍然存在一些挑战。
基于图像处理的表情识别与情绪分析
基于图像处理的表情识别与情绪分析近年来，随着人工智能技术的迅猛发展，基于图像处理的表情识别与情绪分析逐渐成为热门研究领域。
通过计算机视觉技术和人工智能算法，能够识别人脸表情，并进一步分析出人的情绪状态。
这项技术不仅在社交娱乐领域有潜在应用，也在医疗、教育等诸多领域具有广泛的前景。
表情识别是基于图像或视频数据中的人脸进行的一项关键任务。
通过分析人脸的表情特征，能够准确地判断人的情绪状态，如愉快、生气、悲伤等。
这项技术的核心是利用计算机视觉技术，包括人脸检测、关键点定位以及特征提取等方法，从图像中提取出人脸区域，并对表情进行分类与识别。
在表情识别的基础上，情绪分析是一项更加细致和复杂的任务。
情绪分析旨在从表情识别的基础上进一步推断出人的情绪状态和情感体验。
通过对人的面部表情以及声音、语言等音频信息的分析，能够更加准确地识别出人的情绪状态，并进一步分析稳定性、强度、偏向性等情绪特征。
基于图像处理的表情识别与情绪分析主要包括以下步骤：1. 人脸检测与关键点定位：首先，从图像或视频中检测出人脸的位置，并准确定位人脸的关键点，如眼睛、鼻子、嘴唇等。
这一步骤可以采用传统的特征提取算法，如Haar级联检测器和基于关键点的方法。
2. 特征提取与降维：通过利用关键点定位信息，提取人脸的特征表示。
可以使用深度学习技术，如卷积神经网络（CNN）进行特征提取和降维，使得表示更加简洁而具有区分性。
3. 表情分类与识别：利用机器学习的方法，如支持向量机（SVM）和深度学习方法，进行表情分类和识别。
根据提取的特征表示，训练出一个分类器，能够准确地将人脸的表情分为不同的情绪类别。
4. 情绪分析与特征提取：通过分析人脸的表情变化以及声音和语言等音频信息，可以更加精确地推断出人的情绪状态和情感体验。
利用情感分析的算法，如自然语言处理和情感词典等方法，对文本和音频信息进行分析，提取出情感特征。
基于图像处理的表情识别与情绪分析在实际应用中有着广泛的前景。
动态表情识别综述
动态表情识别是人工智能领域的一个重要研究方向，主要研究如何让机器理解和识别人类的表情动态。
这项技术在许多领域都有广泛的应用，如社交网络、人机交互、医疗健康等。
动态表情识别技术的主要任务是识别和理解视频序列中的人脸表情。
这涉及到两个主要的步骤：人脸检测和人脸表情识别。
人脸检测主要是通过计算机视觉技术，从图像或视频中定位并提取人脸部分。
常用的方法有Haar级联、HOG特征结合SVM分类器等。
人脸表情识别则是通过分析和理解人脸的特征，识别出人脸的表情。
常用的方法有基于规则的方法、基于统计的方法、基于机器学习的方法等。
其中，基于机器学习的方法，特别是深度学习方法，由于其强大的特征学习和表达能力，近年来在表情识别领域取得了显著的成果。
动态表情识别的挑战主要在于表情的多样性和复杂性，以及面部表情的微妙变化。
未来的研究方向可能包括提高表情识别的准确性和鲁棒性，以及开发更有效的特征提取和表情分类方法。
基于深度学习的视频人脸表情识别与情绪分析系统设计
基于深度学习的视频人脸表情识别与情绪分析系统设计近年来，随着深度学习技术的发展和应用，视频人脸表情识别与情绪分析系统正逐渐成为研究和应用的热点。
人脸是人与人之间进行情感沟通的重要媒介，在很多应用领域有着广泛的应用，如人机交互、心理研究等。
本文将基于深度学习技术，探讨视频人脸表情识别与情绪分析系统的设计与实现。
首先，视频人脸表情识别与情绪分析系统的设计需要从数据采集、数据预处理、特征提取和分类识别四个方面进行考虑。
在数据采集方面，系统需要获取包含不同人脸表情的视频数据集。
这些数据集应涵盖不同人的多种表情和情绪状态，以保证模型的鲁棒性和泛化能力。
数据采集时应注意多样性和均衡性，尽可能覆盖不同种族、性别和年龄段的人脸，以提高识别的准确性。
数据预处理是构建识别模型的重要步骤。
因为视频数据通常包含大量的冗余信息，如背景、光照变化等，需要通过预处理方法去除这些干扰因素，提高模型的训练效果。
常见的预处理方法包括帧间差分法、直方图均衡化和降噪等。
特征提取是视频人脸表情识别的关键环节。
传统的表情识别方法通常采用手工设计的特征，如LBP（Local Binary Patterns）和HOG （Histogram of Oriented Gradients）等。
然而，随着深度学习的兴起，基于卷积神经网络（CNN）的特征提取方法已经成为主流。
通过预训练的深度学习模型（如VGGNet、ResNet等），可以提取到更加丰富、高层次的特征表达，显著提高了表情识别的性能。
最后，分类识别是视频人脸表情识别与情绪分析系统的核心任务。
通过深度学习模型对提取到的特征进行分类识别，可以实现对视频中人脸表情的自动识别和情绪状态的分析。
在训练阶段，可以采用一些经典的深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）等，通过大规模的训练数据进行端到端的模型训练。
在测试阶段，对输入的视频序列进行特征提取，再通过预训练好的分类器进行表情识别和情绪分析。
基于图像处理的人脸情绪识别技术研究与应用
基于图像处理的人脸情绪识别技术研究与应用人脸情绪识别技术是计算机视觉领域中一项重要的研究方向。
随着深度学习的发展和计算机性能的提升，基于图像处理的人脸情绪识别技术得到了广泛关注和应用。
本文将探讨该技术的研究现状、原理、应用场景以及存在的挑战，旨在帮助读者更好地了解和应用这一领域。
1. 研究现状人脸情绪识别技术的研究可以追溯到二十世纪九十年代。
起初，研究人员主要关注于表情特征的提取和分类算法的设计。
然而，由于表情的多样性和复杂性，传统的方法无法达到较高的准确率。
近年来，深度学习的兴起为人脸情绪识别技术的发展提供了强大的工具和方法。
基于卷积神经网络（CNN）的方法成为当前主流。
研究者们通过构建大规模的人脸情绪数据集，并采用深度学习网络进行训练，取得了令人瞩目的成果。
同时，一些研究工作还尝试将时序信息引入到模型中，以更准确地识别连续表情变化。
2. 技术原理基于图像处理的人脸情绪识别技术通常包括以下步骤：人脸检测、人脸对齐、特征提取和情绪分类。
首先，通过人脸检测算法从图像或视频中找到人脸区域。
随后，对检测到的人脸进行对齐操作，以保证后续的特征提取过程能够取得更好的效果。
接下来，特征提取是人脸情绪识别技术中的核心步骤。
传统的方法主要使用手工定义的特征，如人脸关键点、纹理和形状特征等。
而基于深度学习的方法则通过神经网络自动学习图像的高层次特征，从而兼顾了局部和全局信息。
最后，利用分类器对提取到的特征进行情绪分类。
常用的分类方法包括支持向量机（SVM）、决策树和深度神经网络等。
这些分类器通过学习训练数据集中的人脸情绪标签，以预测新样本的情绪类别。
3. 应用场景人脸情绪识别技术在许多领域中具有广泛的应用前景。
以下是该技术的几个典型应用场景：（1）情感分析：基于图像处理的人脸情绪识别技术可用于情感分析。
通过对用户的脸部表情进行识别和分析，可以了解用户对产品或服务的喜好程度，为企业提供有针对性的服务和产品优化。
（2）虚拟现实与增强现实：该技术可以用于虚拟现实与增强现实的交互。
- 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)。
第28卷第3期湖南文理学院学报(自然科学版)Vol.28No.3 2016年9月Journal of Hunan University of Arts and Science(Science and Technology)Sep.2016基于视频图像的面部表情识别研究综述梅英1,2,谭冠政2,刘振焘3(1.湖南文理学院电气与信息工程学院,湖南常德,415000;2.中南大学信息科学与工程学院,湖南长沙,410083;3.中国地质大学自动化学院,湖北武汉,430074)摘要:面部表情识别是机器理解人类情感的前提,是改善人机交互关系的关键。
首先,按照视频图像中面部表情识别的流程,综述了表情识别的3个阶段:人脸检测、表情特征提取、表情分类。
重点介绍了表情特征提取和表情分类中所采用算法的原理、优缺点及应用场合,并给出了部分算法的识别率对比结果。
其次,对人机交互中的微表情识别及表情识别的鲁棒性研究也做了介绍。
最后总结了面部表情识别研究中存在的问题及难点,探讨了该领域值得进一步研究的问题。
关键词:表情识别;特征提取;表情分类;微表情;鲁棒性中图分类号:TP391文章编号:1672–6146(2016)03–0019–07 Review on facial expression recognition based on video imageMei Ying1,2,Tan Guanzheng2,Liu Zhentao3(1.College of Electrical and Information Engineering,Hunan University of Arts and Science,Changde415000,China;2.School of Information Science and Engineering,Central South University,Changsha410083,China) Abstract:Facial expression recognition is the precondition for the computer understanding human emotion,and it is the key to improve human-computer interaction.Firstly,a survey facial expression recognition in video is provided according to the three steps:face detection,facial feature extraction,expression classification.Algorithms applied in feature extraction and expression classification are mainly summarized,including their principles,advantages and disadvantages,applications,as well as the accuracy comparisons of some algorithms.Secondly,some issues about micro-expression recognition and robustness research are described in the human-computer interaction.Finally,the existing problems and the difficulties of facial expression recognition,as well as the issues worthy of further study are concluded.Key words:Facial expression recognition;feature extraction;expression classification;micro-expression;robustness面部表情识别是近些年逐步兴起的情感计算的重要组成部分。
美国麻省理工学院的Picard教授[1]曾在《Affective Computing》中指出“情感是未来计算机能够有效工作的必要条件之一,希望通过赋予计算机识别用户情感的能力,以便更好地服务人类。
”人类的情感常常通过面部表情、语音、姿态等来表达,但是,它们所传递的信息量有差别。
美国心理学家Mehrabian[2]提出“人们在交流的过程中,面部表情能传递55%的信息量,38%的信息量通过语调表现出来,而语言本身传递的信息量只占7%。
”因此,面部表情这一重要的信息载体将成为下一代人机交互模式的重要组成部分,面部表情识别将是人机交互研究的重要内容。
在服务机器人领域,机器人通过识别人类的面部表情可以更好地服务人类;在远程教育领域,计算机通过监测学生在学习过程中的表情,实时地调节教育资源;此外,表情识别在医疗、娱通信作者:梅英,63641214@。
收稿日期:2016-06-05基金项目:国家自然科学基金青年科学基金项目(61403422)。
20湖南文理学院学报(自然科学版)2016年乐等领域均有广泛地应用。
随着机器视觉研究的不断深入,面部表情识别从静态图像中的表情识别逐步转向了动态图像中的表情识别;从基本表情识别逐步转向了自然场景下复杂表情的识别。
本文综述了近几年针对视频图像序列的表情识别研究成果,重点介绍了表情特征提取、表情分类中所用主流算法的基本原理、优缺点及应用场合。
对当今流行的微表情识别和表情识别的鲁棒性研究也做了介绍,最后指出了当前表情识别研究存在的问题,并总结了进一步的研究方向。
1面部表情识别针对视频图像的表情识别技术基础包括多媒体视频技术、图像处理技术、模式识别技术等。
视频图像中面部表情识别一般包含3个主要步骤:首先判断视频中是否存在人脸,如果存在,则定位出人脸,然后提取表情特征,最后确定表情特征所属的分类[3]。
面部表情识别流程见图1。
1.1人脸检测人脸检测是指在图像中定位出人脸,人脸检测是进一步分析和理解面部表情和行为的基础。
为了减少外部影响,还增加了图像预处理环节。
现有的人脸检测方法可以分为基于特征和基于图像2大类[4]。
基于肤色特征的方法是将输入图像经过预处理后,在多个色彩空间中利用肤色特征比对后即可得到肤色的区域,从而实现人脸区域的精确定位。
该方法的优点是处理速度快,但当背景中存在与肤色相近的景物时,可能会产生误判的结果[5];基于图像的方法[6]首先选取面部样本与非面部样本,通过训练生成分类器进行面部与非面部的区分,实现面部检测。
目前,人脸检测技术已经成熟,在智能手机、电子考勤上应用广泛。
1.2表情特征提取面部表情特征提取是从检测出的人脸图像中提取有效的表情特征信息,特征提取的有效程度直接关系到表情分类的准确程度,因此,表情特征提取是表情识别中至关重要的一步。
目前,基于视频图像的特征提取方法有光流法、主动外观模型法(Active Appearance Model,AAM)及差分图像法等。
(1)光流法。
光流法是目前运动图像分析的重要方法之一。
光流是运动物体在观测成像平面上的像素运动的“瞬时速度”,根据光流可以衡量2帧图像之间的变化。
表情变化是一个面部肌肉运动的过程,通过计算视频图像中嘴巴、眼睛、眉毛等表情特征点上的光流,然后根据特征区域的运动方向变化,计算出对应的表情[7]。
文献[8]采用光流法与差分图像法相结合的方法,首先计算出差分图像绝对值并检测出运动区域,再在已确定的运动区域内计算光流场,最后计算出面部表情对应的运动信息,图2所示的是吃惊表情序列光流场。
文献[9]提出了采用直方图和光流法提取面部表情的时空信息,在CK+数据集上的实验效果良好。
光流法具有突出面部形变和反映面部运动趋势的优点,但是,该算法成立的前提是灰度守恒假设和光流场平滑性假设。
当动态图像不满足上述条件时,光流法的效果就会受到很大影响,在光源有变化或面部有遮挡时,会导致光流计算不准确而影响识别率。
而且,光流法计算量较大不利于实时处理,所以一般采用与其它方法相结合的方法。
(2)主动外观模型法。
主动外观模型法是在主动形状模型(Active Shape Model,简称ASM)的基础上引入纹理模型发展而来的。
因此,基于AAM 的方法不但能精确地描述人脸轮廓特征还能描述人脸的纹理特征[10]。
近年来,AAM 广泛应用于模式识别领域的特征点提取方法。
文献[11]采用主动外观模型(AAM)定位图像序列中各幅人脸图像的68个特征点,然后计算图像序列中表情帧和中性帧的表情关键点的坐标差,从而提取出表情特征,图3是AAM 特征提取结果。
文献[12]利用主动形状模型对人脸图2“吃惊”表情序列光流场图1面部表情识别流程人脸检测及预处理特征提取表情分类第3期梅英,等:基于视频图像的面部表情识别研究综述 21图像进行特征点检测,然后将图像比例特征与面部动画参数作为支持向量机的输入,最后获得理想的识别效果。
文献[13]提出了基于AAM 提取面部区域特征的方法,通过支持向量机分类,实验结果证明了该方法可以适应多种头部姿势和光照条件下的表情识别。
AAM 方法将面部形状和纹理等信息进行统计建模,可以很好地匹配不同形状、大小的人脸,通用性强。
但是,在一般情况下,基于模型的方法需要依靠人工标注的方式实现面部特征点的初始化,从而在一定程度上影响了算法的自动化程度。
(3)差分图像法。
差分图像法是将图像序列中的被测帧与标准帧做差分运算,保留2帧间存在变化的特征。
在进行表情识别时,在相同背景条件下,将表情帧和中性表情帧进行差分运算,最后得到反映表情特征的关键帧,通过分析关键帧就可以识别人脸表情。
图4是JAFFE 库中人脸图像及对应的差分图像[14]。
文献[15]提出了一种基于差分的AAM 模型,即差分主动外观模型,用来识别一组动态的人脸面部表情序列。
首先,通过输入人脸表情图像和中性表情图像参数的差分来计算差分主动表观模型,然后运用流形学习对差分主动外观模型进行平滑图像以及降维,最终实验表明基于差分主动外观模型在表情识别率上比传统AAM 模型提高了20%。
差分图像法能够大幅度地减少计算量,但需要作差的2帧图像必须保证像素点严格对应,否则不能反应真实的表情变化。
1.3表情分类表情分类即判断表情特征所对应的表情类别。
现有2种分类方式:一种是按照面部动作分类[16](Facial Action Coding System,FACS),即将面部表情动作分类到44个动作单元AU(Action Units),每种表情对应几个动作单元的组合;另一种分类是按照美国著名心理学家Ekman [17]划分的6种基本表情(恐惧、悲伤、愤怒、高兴、惊讶和厌恶)来分类。