人臉情緒特征表達與識別的研究

摘要：隨著人工智能近年來的高速發(fā)展，智能技術(shù)已經(jīng)逐漸走入人們的日常生活，但人們在人機交互上深入研究卻從未停止。本文主要針對當今流行的情緒識別方法，綜述了情緒的定義，同時也闡述了算法具體的實現(xiàn)。將所涉及的內(nèi)容從原理到應用逐個精講，也探討了現(xiàn)如今情緒識別研究可能潛在的問題，也為今后的更深入的研究打下了基礎。

關(guān)鍵詞：情緒識別;情感交互;人臉定位

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2019）36-0193-02

1概述

計算機在人類的需求中應運而生，隨著時代的進步，計算機的功能和操作逐漸多樣化，但人們并不僅僅滿足于鼠標鍵盤等這類物理介質(zhì)，對計算機進行控制和交流，更多地渴望計算機能主動感知用戶的情緒，并根據(jù)用戶實時的反饋，來進行自身的運作，從而促進人機間交互的更好發(fā)展。近年來，隨著人工智能的發(fā)展，情緒識別也逐漸走人大眾的視野中。

情緒是人類在意識與認知上給外部事物發(fā)出的一種態(tài)度，是其在現(xiàn)實世界的事物與主體需要聯(lián)系上的一種反應，它是針對個體主觀希望與需求做中介的心理表現(xiàn)。其中表情經(jīng)常作為情緒傳遞的主要載體和工具，因此通過對表情的分析，能使計算機更好地感知到用戶的情緒。

情緒識別是一門結(jié)合心理學、生理學、計算機視覺以及情感計算的交叉課題，有著廣泛的研究前景。

2 LBP特征算法進行人臉定位

2.1 LBP模型概念

最初的LBP算子是指在一個3*3框架里面，以框架中心位置的像素作為閾值，把鄰近八個像素灰度數(shù)據(jù)和該中心位置做對比，如果其像素數(shù)據(jù)高于中心像素數(shù)據(jù)，那么這個像素點位置就做記號l，反之記號0。如此，這個3*3框架里面邊上這八點通過對比就能得到8位的二進制數(shù)據(jù)（一般轉(zhuǎn)變成十進制的數(shù)據(jù)就是LBP碼，其總共有256個），這樣產(chǎn)生框架內(nèi)中心位置像素點的LBP數(shù)值，再利用該值反映這個區(qū)域內(nèi)的紋理信息數(shù)據(jù)。

2.2實現(xiàn)過程

上面提出的LBP算子在各像素點都能夠獲得LBP碼，這樣，針對一幅圖（其記載著各像素點的灰度數(shù)值）取出它的最初LBP算子，然后獲得最初LBP特征的還是一幅圖（其記載著各像素點的LBP數(shù)值）。然后使用其特征譜統(tǒng)計直方圖做特征向量實施分類處理，經(jīng)過把一張圖分成多個區(qū)，對每個區(qū)的各像素點實施LBP特征提取，這樣來創(chuàng)建這個子區(qū)里面的統(tǒng)計直方圖實現(xiàn)算法。

3模式識別

模式識別的兩大分類原理：1）主成分分析法（PCA）;2）SVM分類原理。

3.1 PCA特征降維操作

針對數(shù)據(jù)要進行降維處理，一般采用主成分分析（PCA）算法，它是把大量數(shù)量的變量轉(zhuǎn)變成仍然包括在集合里面的主要信息的一部分變量以減少數(shù)據(jù)集的維數(shù)，實現(xiàn)降維操作。

（1）數(shù)據(jù)標準化

可以采取減去平均值并除以各變量的標準偏差的方法來實現(xiàn)。把全部變量變成統(tǒng)一到范圍[0，1]里面。

（2）協(xié)方差矩陣操作

協(xié)方差矩陣為一個pXp的對稱陣，它的變量之間協(xié)方差做矩陣里面的元素。例如，對于具有3個變量x，y和z的三維數(shù)據(jù)集，協(xié)方差矩陣是以下的3x3矩陣：

由于變量自身的協(xié)方差是方差，所以在其主對角線上，實際上我們可以得到各起始變量的方差數(shù)據(jù)。同時因為協(xié)方差矩陣具有可交換的特點，即該協(xié)方差矩陣關(guān)于主對角線對稱，換言之，矩陣的上、下三角區(qū)域恒等。

（3）特征向量

按照上述，求得特征值，再把特征值由大到小來進行排序，如果需要降到K維，那么就取前K個向量做特征向量，記為W。

W={wl，W2，w，…，Wk}

（4）樣本集

對樣本集的每一個樣本Xi，都可以映射成新的樣本Yi，從而得到映射后對應的向量集。

Yi=WTXi

3.2 SVM分類

在樣本集上采用升維的方法，主要是針對線性可分的狀態(tài)進行處理，而線性不可分的狀態(tài)，經(jīng)過非線性的映射，在低維情況下輸?shù)娇臻g的線性不可分樣本轉(zhuǎn)換到高維情況下進行處理，進而在高維特征空間使用線性處理的方法。如此，含有非線性特征的樣本，才有可能實現(xiàn)線性處理。由于訓練集樣本數(shù)有限，因此可以尋找到滿足約束條件的超平面，構(gòu)建最優(yōu)解，從而產(chǎn)生全局最優(yōu)的學習器，同時求得全部樣本空間期望風險的概率，達到上界數(shù)值要求。

3.2.1 SVM應用

本文通過支持向量機的方式，將處理后得到的不同特征向量送人分類器中，從而輸出具體的表情類。為了便于分析實驗的結(jié)果，圖2中把四種表情作為分類的標準。

4展望與思考

以計算機視覺、人工智能和情感計算等新興技術(shù)為研究基礎，借助外置攝像頭讓計算機對人臉進行定位，從而獲取用戶的情緒信息。當然，提取情緒信息最關(guān)鍵的步驟，還是如何精準識別到人臉，本文采用LBP算法進行特征定位，以四種基本情緒為檢測標準，對人的情緒進行判斷，該種方法簡單容易實現(xiàn)，但實驗結(jié)果表明，在低維空間下實驗結(jié)果更切合實際情況。下一步的研究重心還是放在對人臉定位算法的優(yōu)化上，提高程序運行時的可容納數(shù)據(jù)量，加強實驗研究結(jié)果的可靠性，同時探索對瞬時表情的捕捉識別方法，增強程序的可用性，讓情緒識別更好地應用到我們的日常生活中去。

參考文獻：

[1] David A.Forsyth.Computer Vision：A Modern Approach Sec-ond Edition[M].北京：電子工業(yè)出版社，2012.

[2]毛峽.人機情感交互[M].北京：科學出版社，2011.

[3]阮秋琦.數(shù)字圖像處理基礎[M].北京：清華大學出版社，2009.

[4]劉偉鋒，李樹娟，王延江.人臉表情的LBP特征分析[J].計算機工程與應用，2011（2）.

【通聯(lián)編輯：李雅琪】

收稿日期：2019-10 -11

作者簡介：林銳（1999-），男，福建莆田人，本科大三，福州大學。