具有面部表情识别与再现的机器人头部系统的研制
《基于多传感器融合的移动机器人定位系统研究》
《基于多传感器融合的移动机器人定位系统研究》一、引言随着科技的发展，移动机器人技术在工业、医疗、服务等多个领域得到广泛应用。
准确的定位技术是实现移动机器人自主导航、完成任务的关键。
传统单一的传感器在复杂环境下难以实现精准定位，因此，基于多传感器融合的移动机器人定位系统成为当前研究的热点。
本文将深入探讨基于多传感器融合的移动机器人定位系统的研究与应用。
二、多传感器融合技术概述多传感器融合技术是将多种传感器的数据通过一定的算法进行融合，以获得更加准确、全面的信息。
在移动机器人定位系统中，常见的传感器包括激光雷达、摄像头、惯性测量单元（IMU）、轮速传感器等。
这些传感器在不同的环境中具有不同的优势和局限性，通过多传感器融合技术可以互相弥补，提高定位的准确性和鲁棒性。
三、多传感器融合定位系统的组成与原理（一）系统组成多传感器融合定位系统主要由传感器模块、数据处理模块和定位算法模块组成。
传感器模块包括激光雷达、摄像头、IMU等，用于获取环境信息和机器人自身的运动信息。
数据处理模块负责对传感器数据进行预处理和特征提取。
定位算法模块则根据融合后的数据，采用合适的算法进行定位。
（二）工作原理多传感器融合定位系统的工作原理是：首先，各种传感器获取环境信息和机器人自身的运动信息。
然后，数据处理模块对传感器数据进行预处理和特征提取，包括去除噪声、校正畸变等。
接着，定位算法模块采用合适的算法对融合后的数据进行处理，得到机器人的位置和姿态信息。
最后，将定位结果输出给移动机器人的控制系统，实现自主导航。
四、多传感器融合技术在移动机器人定位中的应用（一）激光雷达与摄像头的融合激光雷达和摄像头是移动机器人定位中常用的两种传感器。
激光雷达可以获取环境的三维信息，具有较高的测量精度和距离分辨率；而摄像头则可以获取环境的颜色、纹理等视觉信息。
通过将激光雷达和摄像头的数据进行融合，可以实现更加准确的物体识别和障碍物检测，提高机器人的定位精度和鲁棒性。
基于信息融合的面部表情识别
基于信息融合的面部表情识别
刘松;陈茜
【期刊名称】《计算机工程与应用》
【年(卷),期】2006(042)012
【摘要】文章提出用支持向量机融合四种基于不同特征表示的面部表情识别方法进行面部表情识别,即几何表示、PCA人脸表示、ICA人脸表示和FLD人脸表示.在用FLD和ICA提取表情特征前先进行PCA,把训练样本的人脸图像向量投影到一个较低维的空间,以达到降维和去除相关性的目的.然后对每一种表情特征表示都用最小距离分类器进行初步分类,最后用支持向量机融合这些分类结果来进行面部表情的最终识别,实验证明本文提出的方案是有效的.
【总页数】4页(P60-62,65)
【作者】刘松;陈茜
【作者单位】爱迪斯光电科技有限公司,广东,东莞,523007;爱迪斯光电科技有限公司,广东,东莞,523007
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于双目视觉信息融合的移动机器人避障研究基于双目视觉信息融合的移动机器人避障研究 [J], 谷凤伟;金西虎;姜珊
2.基于CNN的面部表情识别算法 [J], 靳显智;林霏;王叶
3.基于CNN的面部表情识别算法 [J], 靳显智;林霏;王叶
4.基于面部表情识别的课堂教学反馈系统 [J], 潘仙张;陈坚;马仁利
5.基于信息融合理论的省情信息融合研究 [J], 曹建君;李景相;蔡喜琴;莫军凯;刘慧明
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的人脸表情合成与识别系统设计
基于深度学习的人脸表情合成与识别系统设计人脸表情合成与识别系统是近年来人工智能领域的热门研究方向之一。
基于深度学习的人脸表情合成与识别系统能够通过学习和理解面部表情的特征，实现准确的表情合成和识别。
本文将基于深度学习的人脸表情合成与识别系统的设计进行详细介绍，并探讨其在实际应用中的潜力与局限。
一、引言随着人工智能技术的飞速发展，人脸表情合成与识别系统越来越受到关注。
人类通过观察他人的面部表情来推断其情绪状态，并进行相应的情绪交流。
因此，能够准确识别和合成人脸表情是计算机视觉和人机交互领域的重要研究内容。
基于深度学习的人脸表情合成与识别系统通过模拟人脸表情的生成和识别过程，为人机交互、虚拟现实和情感计算等领域提供了强有力的支持。
二、人脸表情合成系统设计1. 数据集准备：为了构建一个有效的人脸表情合成系统，首先需要一个具有丰富样本和多样表情的数据集。
常用的数据集包括FER2013和CK+，它们包含了大量不同人物在不同表情下的面部图像。
通过使用这些数据集，可以训练深度学习模型来识别和生成多种表情。
2. 深度学习模型选择：在人脸表情合成与识别系统中，深度学习模型扮演着核心角色。
常见的模型包括卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）。
其中，CNN被广泛应用于面部特征的提取和识别；RNN可用于建模时序信息，捕捉面部表情的动态变化；GAN则可以生成逼真的面部表情图像。
3. 面部特征提取和表示学习：在人脸表情合成与识别系统中，面部特征的提取和表示学习是关键步骤。
通过利用CNN模型，能够自动学习面部表情的特征，如眼睛、嘴巴、眉毛等，进而构建面部特征表示。
这些特征表示能够较好地表示面部表情的特点和差异。
4. 人脸表情合成：人脸表情合成是将给定的输入图像转换成特定表情的过程。
根据所选深度学习模型，系统可以通过生成对抗网络生成逼真的人脸表情图像。
生成对抗网络由生成器和判别器组成，其中生成器通过学习输入图像到目标表情的映射关系，判别器则评估生成的图像是否逼真。
基于深度学习的人脸表情识别系统设计毕业设计
基于深度学习的人脸表情识别系统设计毕业设计基于深度学习的人脸表情识别系统设计一、引言及背景介绍随着科技的发展和应用的普及，人脸表情识别技术在众多领域展现出巨大的潜力。
人类表情是一种非常丰富和重要的非语言信息传递方式，对于情感分析、心理研究、用户体验等领域都具有重要意义。
本篇论文旨在设计基于深度学习的人脸表情识别系统，以应用于相关领域。
二、人脸表情识别技术概述人脸表情识别技术是一种在数字图像处理和模式识别领域中广泛应用的技术。
它主要通过将人脸图像转化为数字数据，然后利用计算机算法对表情进行识别和分类。
传统的方法主要依赖于人工特征提取和分类器的组合，但这些方法往往需要大量的人工参与和特征工程，且对于复杂表情的识别效果较差。
三、深度学习在人脸表情识别中的应用深度学习作为一种强大的机器学习技术，近年来在人脸表情识别领域呈现出广阔的发展前景。
其具有自动特征学习和模式识别能力，通过大规模数据集的训练，可以有效地提取表情的高级特征，从而提高识别准确率。
深度学习模型中常用的有卷积神经网络（ConvolutionalNeural Network，简称CNN）和循环神经网络（Recurrent Neural Network，简称RNN）。
四、深度学习人脸表情识别系统的设计与实现1. 数据集准备采集包含多种表情的人脸图像数据集，并对其进行标注和预处理工作，以便于后续的训练和测试。
2. 基于CNN的特征提取使用卷积神经网络对人脸图像进行特征提取，通过多层卷积和池化操作，提取出图像的高级特征表示。
3. 数据增强对数据集进行增强操作，如镜像翻转、旋转、缩放等，以扩充数据集规模，提高模型的泛化能力。
4. 特征融合和分类将提取到的高级特征进行融合，并通过全连接层实现表情分类和识别。
5. 模型训练与验证使用已标注的人脸图像数据集对模型进行训练，并通过验证集进行模型调优和超参数选择。
六、实验结果与讨论在实验中，我们使用了XXX数据集进行训练和测试，得到了较为准确的人脸表情识别结果。
2024年继续教育公需课答案(4套卷子)-数字技术领域新职业
数字技术领域新职业——人工智能与行业应用DeepFace模型在人脸识别领域中采用3D对齐的方式，进行图片纹理化并提取对应的特征，然后对提取出的特征使用SVR处理以提取出人脸及对应的六个基本点，最后根据六个基本点做仿射变化，再根据3D模型得到对应的（）个面部关键占做三角划分最终得出对应3D 人脸。
[ 单选题：5 分]A 56B 67C 72D 81试题解析您的答案：B 回答正确2根据SAE美国汽车工程师学会对自动驾驶汽车的分级，其中完全自动化对应的是（）。
[ 单选题：5 分]A Level 1B Level 3C Level 5D Level 7试题解析您的答案：C 回答正确3深度学习算法中的深度神经网络（DNN）主要应用场景包括搜索排序和（）。
[ 单选题：5 分]A 图像识别B 视频分析C 自然语言处理D 推荐排序试题解析您的答案：C 回答错误4百度（）识别技术在国际评测2015-2016FDDB与LFW中获得世界第一，并入选2017MIT全球十大突破技术。
[ 单选题：5 分]A 人脸B 图像C 语音D 视频试题解析您的答案：A 回答正确5（）年11月15日，科技部召开新一代人工智能发展规划启动会，会议宣布首批国家新一代人工智能开放创新平台名单。
[ 单选题：5 分]A 2015B 2016C 2017D 2018试题解析您的答案：C 回答正确6人脸识别的具体步骤主要包括（）等。
[ 多选题：10分]A 人脸图像采集及检测B 人脸图像预处理C 人脸图像特征提取D 人脸图像匹配与识别试题解析您的答案：ABCD 回答正确7人工智能的核心技术支撑包括（）等。
[ 多选题：10分]A 物联网B 大数据C 算法突破D 超级计算能力试题解析您的答案：ABCD 回答正确8人工智能语音交互的核心技术主要包括（）。
[ 多选题：10分]A 语音识别B 自然语言处理C 语音合成试题解析您的答案：ABC 回答正确9人工智能是指能够像人一样（）的程序或系统。
基于计算机视觉的人脸识别系统研究
基于计算机视觉的人脸识别系统研究概述随着计算机视觉技术的快速发展，人脸识别系统的研究受到了广泛关注。
基于计算机视觉的人脸识别系统是通过数字图像处理和模式识别技术，对输入的人脸图像进行特征提取和匹配，从而实现对个体身份的识别。
本文将介绍人脸识别系统的基本原理、算法和应用，并探讨其研究的挑战和未来发展方向。
基本原理人脸识别系统的基本原理是根据人脸图像中的特征区域，如眼睛、鼻子、嘴巴等，提取出一系列特征向量，并利用这些特征向量进行身份识别。
具体而言，人脸识别系统包括以下几个步骤：1. 图像采集：通过摄像头或其他图像采集设备，获取待识别人脸的图像。
2. 预处理：对采集到的人脸图像进行预处理，包括图像去噪、图像归一化和人脸检测。
图像去噪是为了减少干扰，提高图像质量；图像归一化是将图像转换为统一的尺寸和方向，便于后续的特征提取和匹配；人脸检测是为了确定人脸在图像中的位置和大小。
3. 特征提取：利用图像处理和模式识别算法，提取出人脸图像中的特征信息。
常用的特征提取算法包括主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
4. 特征匹配：将待识别人脸的特征向量与数据库中保存的已知人脸特征进行比对，找出与之最相似的人脸。
5. 身份验证或识别：通过比对结果判断待识别人脸的身份，可以进行二元分类（是/否）或多元分类（多个身份候选）。
算法和技术人脸识别系统的核心算法和技术包括图像处理、特征提取和模式匹配。
在图像处理方面，常用的技术包括灰度化、直方图均衡化、滤波和边缘检测等。
特征提取方面，已有多种算法可供选择，如PCA、LDA、LBP和深度学习等。
模式匹配方面，常用的算法有欧氏距离、余弦相似度和支持向量机等。
其中，深度学习在人脸识别领域取得了重大突破。
基于深度学习的方法采用卷积神经网络（CNN）进行特征提取和识别。
CNN学习到的特征具有更强的表征能力，可以更好地区分不同人脸之间的差异，进而提高识别的准确性。
仿人机器人的现状研究
仿人机器人的现状研究作者：郑利霞来源：《卷宗》2019年第34期摘要：介绍了仿人机器人研究情况，对仿人机器人根据驱动形式的不同，分别就伺服电机加谐波齿轮驱动、绳索肌腱驱动、气动人工肌肉驱动和液压驱动等四个方面的仿人机器人进行介绍，最后对目前仿人机器人的现状进行了总结。
关键词：仿人机器人;研究现状仿人机器人已经成为衡量一个国家机器人发展水平的重要标志，仿人机器人在机构原理、控制理论与技术、试验研究、步行速度稳定和集成系统等方面快速发展，从基础研究到应用研究，从表情仿人头、仿人快步走步行机构和多指手等局部研究到整体仿人设计，仿人机器人的研究越来越深入，涉及的领域也越来越广。
1 2000年以前的仿人机器人研究情况2000年以前的仿人机器人研究主要是局部研究，主要包括双足稳定动步行控制、全自立仿人机器人集成、仿人表情、多指灵巧手和类人猿机器人等方面。
1.1 双足稳定动步行控制1971年日本加藤一郎成功研制世界第一台双足步行机，1972年世界著名机器人专家Vukobratovic等提出ZMP的概念，为稳定双足动步行理论和实践提供了基础。
1.2 仿人表情机器人美国Paul Ekman等人提出的FACS原理，把“表情智能”应用于人工神经网络，推出了表情视觉识别技术。
日本专家原文雄1993年首次提出应用在机器人上的6种面部表情“AHI”。
从1996年开始，日本早稻田大学在可变脸色和面部皮肤对光强影响方面实验，实现了面部颜色表情的感知功能，陆续研制出“WE-3R”、“WE-3RIV”和“WE-4RIV”等表情机器人。
我国1996年哈工大的蔡鹤皋教授和吴伟国教授研发“演讲机器人”，1999年MIT研制出“Kismet”。
这些机器人的表情不丰富，头部未集成化，还有待发展。
1.3 仿人多指灵巧手1974年日本研制出OKADA三指灵巧手;1980年MIT和犹太大学联合研制出四指灵巧手Utah-MIT Hand ;1984年Nakano等研制Hitachi四指灵巧手;1999年德国宇航中心Hirzinger等研制出DLR-Ⅰ四指靈巧手;1999年美国研制出NASA Robonaut五指灵巧手。
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。
机器人表情识别的说明书
机器人表情识别的说明书一、引言机器人表情识别是指通过人脸图像识别技术对人类表情进行分析和理解的过程。
本说明书旨在介绍机器人表情识别的原理、应用场景以及使用方法，帮助用户更好地了解并使用机器人表情识别系统。
二、原理与技术机器人表情识别主要基于人工智能和计算机视觉技术。
其核心步骤包括：人脸检测、面部特征提取、表情分类和情感分析。
1. 人脸检测机器人通过摄像头获取到人脸图像后，利用人脸检测算法定位和标记人脸的位置及边界框。
2. 面部特征提取面部特征提取是指从人脸图像中提取出关键的面部特征，如眼睛、眉毛、嘴巴等，并将其转化为数值化的表征。
3. 表情分类机器人根据面部特征提取到的数据，使用机器学习算法进行表情分类，将人类的表情分为不同的类别，如高兴、悲伤、生气等。
4. 情感分析情感分析是根据机器人对不同表情的识别结果，进一步分析和理解人类的情感状态，帮助机器人更好地与人类进行交互和沟通。
三、应用场景机器人表情识别技术具有广泛的应用价值，以下列举了几个主要的应用场景：1. 智能客服机器人表情识别可以帮助智能客服系统更好地理解用户表情，从而更准确地回答用户问题，并提供个性化的服务体验。
2. 教育领域通过识别学生的表情，机器人可以实时了解学生的学习状态和情感变化，及时调整教学方法，提供更有效的个性化教学。
3. 娱乐和游戏机器人表情识别可以应用于娱乐和游戏领域，提供更加沉浸式的娱乐体验，例如与机器人合作玩游戏，或通过表情与虚拟角色进行互动。
4. 心理辅导机器人表情识别技术可以应用于心理辅导领域，帮助医生或心理咨询师更好地了解患者的情感状态，提供针对性的心理支持和治疗。
四、使用方法用户在使用机器人表情识别系统时，需按照以下步骤进行操作：1. 启动机器人表情识别系统用户需确保机器人设备已经连接好并正常工作。
启动系统后，摄像头会自动采集人脸图像，并进行表情识别。
2. 采集人脸数据用户需要站在摄像头前，保持正常表情，让系统采集到足够数量的人脸数据，以建立准确的人脸识别模型。
智能机器人系统的设计与实现
智能机器人系统的设计与实现智能机器人系统已经成为现代科技领域的焦点之一。
它集成了人工智能、机器学习、图像识别、自然语言处理等技术，使机器能够模拟人类的思维和行为，实现与人类之间的智能交互。
本文将探讨智能机器人系统的设计与实现，重点关注系统架构、功能模块以及关键技术。
一、系统架构设计智能机器人系统的设计需要考虑到系统的可靠性、拓展性和灵活性。
基于此，一个典型的智能机器人系统可以分为以下几个关键模块：感知模块、决策模块和执行模块。
1. 感知模块：感知模块是智能机器人系统的基础，它负责收集和处理来自外部环境的信息。
该模块通常包括图像识别、声音识别和传感器数据处理等功能，以获取周围环境的信息。
2. 决策模块：决策模块是智能机器人系统的核心，它通过分析和处理感知模块获得的信息来做出决策。
该模块通常包括机器学习算法和人工智能技术，通过对数据的建模和分析，将感知信息转化为具体的行为指令。
3. 执行模块：执行模块是智能机器人系统的执行器，根据决策模块的指令执行对应的任务。
该模块通常包括机械臂、电动车辆和语音合成器等设备，用于实现各种物理动作和语音交互。
二、功能模块设计智能机器人系统的功能模块设计要根据实际需求来确定，以满足不同应用场景下的需求。
以下是一些常见的功能模块：1. 语音识别和语音合成：通过语音识别模块，机器人能够听懂人类语言并作出相应的反应；通过语音合成模块，机器人能够用自己的声音进行语言表达。
2. 人脸识别和表情识别：通过人脸识别模块，机器人能够识别出人类的面部特征，并进行个体辨识；通过表情识别模块，机器人能够判断出人类的情绪状态，并作出适当的反应。
3. 自动导航和避障：通过自动导航模块，机器人能够在复杂环境中实现自主导航；通过避障模块，机器人能够避开障碍物，并找到最优路径。
4. 社交互动和陪伴：通过社交互动模块，机器人能够与人类进行智能对话和情感交流；通过陪伴模块，机器人能够提供人类伴侣的功能，如陪伴孤寡老人、陪伴儿童玩耍等。
- 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)。
ａ ｂ Ｓ Ｔ ｈ ａｏ ｏ ｆ ｉ ｓ 在细分网格曲面上 ， 出形成填充曲线法刀具路径 的方法 ， ［］ Ａ ｏ ｉａ ｏｎＳ ．ａｈｎｖ ｏｌ ａ ｅｅ ｔｎｆ ｖ —ｘ Ｃ 提 ４ Ｗ．ｎｔｐｉ ｏ，．Ｍ ｋａｏ． ｏ ｐｔ ｇｎｒ ｉ ｒ ｅ ａｉ Ｎ
ｍ ｃｉ ｎ ｉ ａｔ ｅ ｐｃ－ ｌ ｇ ｕｖｓ ］ ｎ ｒａ ｏａＪｕ ａｏ ａｈｎ ｇ ｓ ｇ ｄｐｉ ａｅｆｌ ｒ ［ ．ｔ ｎｔ ｎｌ ｏｒｌ ｆ ｉ ｕｎａ ｖｓ ｉ ｉ ｃ ｅ Ｊ Ｉ ｅ ｉ ｎ ｎ Ｐｏｕ ｔ ｎ ｅｅｒｈ ２０ （ ） ６ ３ １６ ． ｒｄ ｃｉ Ｒ ｓａｃ ，０ ５４ ： ４ — ６ ５ ｏ １ ５ 周济 ， 周艳红． 数控加工技术［ ］ Ｍ ． 国防工业出版社 ， ０ ，９ 北京： ２ ２７． ０ 径； 在对最小 哈密顿路径求解算法分析基础上 ， 细分 网格 图形 ［ ］ 对 １ ｊ ． Ｌ ｅ ｉ． ｅ ｏｓ ｕｔ ｎｏ ｓ ｃ ｒ ａ ｔ ｅ ｓ［３ ｖ ｗ ６ Ｄ ｉ ｉ ｎ ｈ ｎｔ ｃ ｏ ｒ ｔ ｅ ａ ｐ ｖ 两ｄ Ｊ． ｒ ｉ ． Ｖ ．ｓ ｋ Ｔ ｃ ｒ ｉ ｆｔ ｕ ｄ ｄ ｉ ｕ Ａ ｅｅ
头部 系统 的研 制 水
李瑞峰 孙中远 王 珂 黄 超 （ 哈尔滨工业大学 机器人技术与系统国家重点实验室， 哈尔滨 １０ ０ ） ５０１
Ｒｅ ｅ ｒ ｈ ｏ ｈ ｏ ｏ ｅ ｄ ｓ ｓ ｅ ｗｉ ａ ｉ Ｉ ｘ ｒ ｓ ｉ ｎ ｓ ａ ｃ ｆ ｅ ｒ ｂ ｔｈ ａ ｙ ｔ ｍ ｔ ｆ ｃａ ｐ ｅ ｓｏ ｔ ｈ ｅ
９ ６
李瑞峰等： 具有面部表情识别与再现的机器人 头部 系统的研制
合成机器人要表达的情感。 的运动分为上下 、 左右两个转动 ， 图 ２ｂ 所示 ， 如 （） 采用了摆动导 头部舵机通过表情特征控制点拉动面部皮肤的运动单元 ， 从而产 杆机构和球铰机构 ， 实现左右 、 上下转动的难题 。采用这 两种机
ｔ ｎ （ ｅｉｎｄａ ｄｄ ｖ ｌ ｅ ， ｈｃ ｏ ｐ ｓｄｏ ｕ ａ ｏｄｒｂｔ ｅ ， ｇ ａ ｔｒ ｄ ｖｃｓ ａｉ ｉ ｓ １ ｄ ｓ ｅ ｅｅ ｐ ｄ ｗ ｉｈｉ ｃ ｍ ｏｅ ｏ Ｗ３ ｇ ｎ ｏ ｓ ｆｈ ｍ ｎ ｉ ｏ ｈａ ｉ ｅｃｐ ｕｅ ｅ ｉ ， ｃａ ｏ ｄ ｍａ ｅｆ ｌ
硅胶 。
面部表情驱动机构 ， 如果根据肌 肉的物理特性 ， 对面部各个 区域进行收缩及扩张控制 ， 就能以较少 的控制参数得到较好 的面
部 运 动 和 逼真 的表情 。
（） ｂ 眼球运动机构
系统所使用的摆动导杆驱动机构 ， 如图 １ 所示。 该机构采用
伺服舵机和摆动导杆机构。伺服舵机带动曲柄转动 ， 曲柄通过滑
情、 计算机视觉的交互方式与人类进行 自然交流 。 机器人头部系 表情 。
★ 来稿 １ ：０ ０ ０ — ３ ★基金项 目： ３ ２１—９ １ 期 机器人技术与系统国家重点实验室 自主研究课题 （Ｋ Ｒ ２ Ｏ ０ Ａ ２ ｓ Ｌ ｓ０８２ ０ ）
提供了方法指导。
４ 总 结
即用最小哈密顿 回路法作为引导通 过连接网格节点形成填充路
ｈ ｍ ｎｉ ｃ ｔｒｄｂ ｅｉ ａｅｃｐ ｕｅｄ ｖｃｓｏ ｔｅｓｓ ｍ，ｎ ｏ ｌ ｅｒｃｇ ｉ ｄｗｔ ｉｅ ｅ ｕ ａ ａ ｕｅ ｙｔ ｍ ａ ｔｒ ｅ ｉ ｈ ｙｔ ａ ｄｉｗ ｕｄｂ ｅｏ ｚ ｉ ｖ ｏｓ－ ｓｐ ｈ ｇ ｅｆ ｅ ｔ ｎ ｅ ｈ ｄ ｑ ｅｃ ｙＳ ＭｓＳ ｐ ｏｔ ｅ ｔ ｃ ｉｅ ）ｎ Ｓ Ａ ｔ ｅＳ ａ ｅＭｏ ｅ） ｅｍ ｃ ａ ｉ ｏ ｅｅｅ ａ１ ｕ ｎｅｂ Ｖ （ｕ ｐ ｒＶ ｃｏ Ｍａ ｈｎ ｓａ ｄＡ Ｍ（ ｃ ｖ ｈ ｐ ｄ １． ｅ ｈ ｓ ｒ ｈ ｙ ｂ ． ｒ ｉ ｎ ｍｆ ｔ ｌ
ｒ ｃ ｇ ｉｏ ｎ ｅ ｒ ｓ ｎ ａ ｉ ｎ ｅ ｏ ｎｔ ｎ ａ ｄ ｒ ｐ ｅ ｅ ｔ ｔ ｉ ｏ
Ｌ ｉ ｆ ｎ ， ＵＮ Ｚ ｏ ｇ ｙ ａ ， ＡＮＧ ， ＩＲｕ － ｅ ｇ Ｓ ｈ ｎ － ｕ ｎ Ｗ Ｋｅ ＨＵＡＮＧ ｈ ｏ Ｃ ａ
（ｔｅＫ ｙ ａｏａｏ ｆ ｏｏｃ ｎ ｙｔｍ， ｒｉ ｓｔｔ ｏＴ ｃｎｌ ｙＨ ｒｉ ５０ １Ｃ ｉａ Ｓａ ｅ ｂｒｔ ｏ Ｒ ｂｔ ｓ ｄＳｓ ＨａｂｎＩ ｔｕｅ ｆ ｅｈ ｏｏ ， ａｂｎ１００ ，ｈｎ ） ｔ Ｌ ｙ ｒ ｉ ａ ｅ ｎｉ ｇ
根据 识别 结果， 实现七 种 不 同特征 的面部表 情 的再 现 。 可
关键词： 面部表情 ； 表情识别 ； 表情再现； 机器人头部机构 【 ｂｔ ｃ】 ｕ ａｏ ｂｔ ｅｄｓｓ ｍ ｗｔｆｃ ｌ ｘｒ ｓ ｎ ｅｏｎ ｉ ｄ ｅｒ ｅｔ ｉ ｆ ｎ— Ａ ｓ ａｔ Ａ ｈ ｍ ｎｉ ｒ ｏ ｈａ ｔ ｉ ａｉ ｐｅ ｉ ｃｇ ｉｏ ａ ｐｅ ｎ ｔｎ ｕｃ ｒ ｄｏ ｙｅ ｈ ａｅ ｓ ｏ ｒ ｔｎ ｎ ｒ ｓ ａ ｏ
ｃ ｎｓ ｈａ ｉ ｍ
中图分 类号 ：Ｈ１ ，Ｐ ４ 文 献标 识码 ： Ｔ ６Ｔ ２２ Ａ
１ Ｉ 弓 言
统 过 觉 感 及 频 集 备 取 部 息对 集 的 通 视 传 器 视 采 设 获 外 信 ，收 到 外
设计 了一个具有面部表情 的机器人 头部系统 ， 在通 过表 部环境信息首先进行情感特征提取 ， 旨 分析出检测到的人脸 的面部
块带动导杆绕轴摆动 ， 轴带动控制点支撑摆杆摆动 。控制点支撑
摆杆与面部皮肤上的 ６ 个表情控制点相连 ， 从而产生面部控 制点 的运动形成表情。
（） ｃ眼睑运动机构 （） ｄ 下颚运动机构 图 ２头部机构三维 图
［］ ８ 肖位枢． 图论及其算法［ ． ： Ｍ］ 北京 航空工业出版社 ，９ ３ １９ ． ［］ ９ 徐俊明． 图论及其应用［ ． ： Ｍ］ 北京 中国科学技术大学出版社 ， ０ ． ２ ４ ０ ［］ ９ 任秉银 ， 唐余勇 ． 数控加工中的几何建模理论及其应用 ［ ． Ｍ］ 哈尔滨 ： 哈 尔滨工业大学出版社 ，０ ０ ２０ ． ［ ］ 岭． １ 殷 无向网的最短啥密 回 Ｊ 州学 报 ， ０ ， １：１－ ｌ ０ 顿 路［ 滁 ］ ２ ５７ ） ３１４ ０ （ １
Ｃ ｍ ． ｔｏ ｓ ｔ．ｈ ｓ１９ ，６ １：一 ２ ｏ ｐＭｅｈ ｄｉＭａｈＰ ｙ ，９ ６ ３ （ ） ３ ． ｎ ｌ 社 ，０ ８ ２０．
路径 的寻找问题 ； 构建 了填充 曲线路径形成算法程序框图 ； 通过 ［］ ７ 周正 贵计 算流体力学基础理论与实际应用［ ． ： Ｍ］ 南京 东南大学出版 举例应用证实 了提出方法的可行性及构建算法的正确性。
【 摘
要】 研制 出具有对人类表情－ ￣和表情再现机能的仿人机 器人 头部 系统， ／ ， ｙ １ ． 该系统由仿人机
器头部本体、 图像采集设备、 表情及 面部器官控制 系统、 表情识别 系统等部分组成； 系统从 图像采集 该
装置获得人类表情图像， 然后采用 Ｓ Ｍｓ Ａ Ｍ 结合的方法进行视频序列的人脸表情识别， Ｖ 和 Ｓ 设计了眼 球、 眼睑、 下颚等面部器官和面部表情机构及驱动系统对机器人面部皮肤和头部器官进行运动控制， 并
生机器人的面部表情 。 构， 机器人的眼球上下转动范围达到（２ — ０ 。左 右转动范围约 一０２）
为 （４ ￣５ 。 ＿ ５ ４ ）。
２机器人头部结构设计
仿 人机器人 头部机构 由具 有弹性的面部皮肤 及表情驱 动 、 面部器官机构及驱动这两部分组成。
眼睑运动机构 ： 的的眼睑主要有眨眼和闭眼运动 ， 人 是眼 睑 沿 眼球表面 的上下开闭运动 。眼睑的机构如图 ２ ｃ所永 ， （） 采用摆
ｅｐｅｓ ｎａｄｏｇ ｏｔ ｌｙｔｍ． ｗ ｌ∞ｆｃａ ｘｒｓｉｎｒｃｇｉｏ ｓｅ ．ｈ ｆｃａ ｐｅｓ ｎｏ ｘｒｓｉ ｎ ｒａ ｃｎｒ ｓ ∞ ｅｌ ａｉ ｅ ｅｓ ｏ ｔ ｎｓ ｔ Ｔｅ ａｉ ｅ ｒ ｉ ｏ ｎ ｏｓ ｅ ｌ ｐ ｏ ｅ ｎ ｉ ｙ ｍ ｌｘ ｓｏ ｆ
实现闭眼 、 睁眼只需 ０３ ， ． 与人类相似 。由于下 眼睑 ｓ 面部皮肤表情机构原理是基 于美 国心理学家 Ｅ — ｎ的面 动导杆机构 ， ｋ ｍａ 上下眼睑运动速比 ２ ：）所以在该机器人中下眼睑 ０ ， ３ 部动作编码 系统 （ａｉ ｃｉ ｏｉｇ ｙｔ Ｆ Ｃ ）， ＦｃａＡ ｔ ｎ ｄｎ ｓ ｍ，Ａ Ｓ ｔ 在其 面部 的运动很小（ ｌ ｏＣ Ｓ ｅ ” 设置 ８个表情控制点并通过相应的驱动点对与皮肤相连 ， 通过控 机构被略去 了。
用邻接矩阵法进行 了描述 ， 用建树的方法解决 了网格图形上最优
Ａｄ ｄＤ ｓ ｎ １９ ，６ ３ ： １－ ２ ． ｉｅ ｅｉ ，９４ ２ （ ）２ ５ ２ ４ ｇ １ Ｇ ｉｉ ｓＧＴ ｏｐ ｔＢ ｓｄ ｎ ｉ ｅｔ ｃ ｒｅ［］ ｏ ｕｅ ｉｅ Ｄ ｓ ｎ ３ ｒ ｔ Ｊ ｏｌａｈ ａｅ ｏ Ｈ ｌ ｒ’ ｕｖ Ｊ． ｍｐ ｔ Ａｄｄ ｅｉ ， Ｊ ｆｈ ｈ Ｓ Ｃ ｒ ｇ １ ９ ２ （ １ ：３ — ４ ． ９４，６ １ ）８ ９ ８ ４
第 ７期 ２ １ 年 ７月 ０１
文章编号 ：０ １ ３ ９ （ ０ ） ７ ０ ９ — ３ １０ — ９ ７２ １ ０ — ０ ５ ０ １
机 械 设 计 与 制 造
Ｍａ ｈ ｎ ｒ Ｄｅ ｉ ｎ ｃ ｉｅｙ ｓｇ ＆ Ｍａ ｆｃ ｕ ｅ ｎｕ ａ ｔ ｒ ９ ５
具有 面部表情识别与再现的机器人
ｅｅｉ， ｗ ａｄ ｔｅ ａｉｌ ｘｒｓｉｎｏｅｒｄｓ ｅ ｄｄｖｌ ｅ ｅ１ ｃｏｄｎ ｈ ｅｏｎｔ ｎｒ－ ｙｌ ｊ ｎ ｈ ｃ ａ ｐｅｓ ２ ｅｅｉ ｄａ ｅｅ ｐ ｄｗ ｌＡ ｃｒｉｇｔ ｔｅｒｃｇ ｉｏ ｅ ｄａ ｆ ｅ ｏ ＂ ｎ ｇ ｎ ｏ ． ｏ ｉ ｓｌ ， ｅｃｎｒｌ ｔｅ ａｉ ｒａ ｏｅ ｅｔａ ｅｌ ｔｅｒ ｒｓｎａｉｎｏ ｓｖｎｄｆｒｎｆｃａｅｐｅ— ｕｔ ｔ ｏｔ ｈ ａ ｏｇｎｍ ｖｍ ｎ ｓｗ ｌ∞ ｈ ｅ ｅｅｔｔ ｅｅ ｉｅｅｔａｉ ｒｓ ｓｈ ｏｏ ｆ ｆ ｌ ｃ ｓ ｐ ｏｆ ｆ ｌｘ