人脸情绪特征表达与识别的研究

摘要：随着人工智能近年来的高速发展，智能技术已经逐渐走入人们的日常生活，但人们在人机交互上深入研究却从未停止。本文主要针对当今流行的情绪识别方法，综述了情绪的定义，同时也阐述了算法具体的实现。将所涉及的内容从原理到应用逐个精讲，也探讨了现如今情绪识别研究可能潜在的问题，也为今后的更深入的研究打下了基础。

关键词：情绪识别;情感交互;人脸定位

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2019）36-0193-02

1概述

计算机在人类的需求中应运而生，随着时代的进步，计算机的功能和操作逐渐多样化，但人们并不仅仅满足于鼠标键盘等这类物理介质，对计算机进行控制和交流，更多地渴望计算机能主动感知用户的情绪，并根据用户实时的反馈，来进行自身的运作，从而促进人机间交互的更好发展。近年来，随着人工智能的发展，情绪识别也逐渐走人大众的视野中。

情绪是人类在意识与认知上给外部事物发出的一种态度，是其在现实世界的事物与主体需要联系上的一种反应，它是针对个体主观希望与需求做中介的心理表现。其中表情经常作为情绪传递的主要载体和工具，因此通过对表情的分析，能使计算机更好地感知到用户的情绪。

情绪识别是一门结合心理学、生理学、计算机视觉以及情感计算的交叉课题，有着广泛的研究前景。

2 LBP特征算法进行人脸定位

2.1 LBP模型概念

最初的LBP算子是指在一个3*3框架里面，以框架中心位置的像素作为阈值，把邻近八个像素灰度数据和该中心位置做对比，如果其像素数据高于中心像素数据，那么这个像素点位置就做记号l，反之记号0。如此，这个3*3框架里面边上这八点通过对比就能得到8位的二进制数据（一般转变成十进制的数据就是LBP码，其总共有256个），这样产生框架内中心位置像素点的LBP数值，再利用该值反映这个区域内的纹理信息数据。

2.2实现过程

上面提出的LBP算子在各像素点都能够获得LBP码，这样，针对一幅图（其记载着各像素点的灰度数值）取出它的最初LBP算子，然后获得最初LBP特征的还是一幅图（其记载着各像素点的LBP数值）。然后使用其特征谱统计直方图做特征向量实施分类处理，经过把一张图分成多个区，对每个区的各像素点实施LBP特征提取，这样来创建这个子区里面的统计直方图实现算法。

3模式识别

模式识别的两大分类原理：1）主成分分析法（PCA）;2）SVM分类原理。

3.1 PCA特征降维操作

针对数据要进行降维处理，一般采用主成分分析（PCA）算法，它是把大量数量的变量转变成仍然包括在集合里面的主要信息的一部分变量以减少数据集的维数，实现降维操作。

（1）数据标准化

可以采取减去平均值并除以各变量的标准偏差的方法来实现。把全部变量变成统一到范围[0，1]里面。

（2）协方差矩阵操作

协方差矩阵为一个pXp的对称阵，它的变量之间协方差做矩阵里面的元素。例如，对于具有3个变量x，y和z的三维数据集，协方差矩阵是以下的3x3矩阵：

由于变量自身的协方差是方差，所以在其主对角线上，实际上我们可以得到各起始变量的方差数据。同时因为协方差矩阵具有可交换的特点，即该协方差矩阵关于主对角线对称，换言之，矩阵的上、下三角区域恒等。

（3）特征向量

按照上述，求得特征值，再把特征值由大到小来进行排序，如果需要降到K维，那么就取前K个向量做特征向量，记为W。

W={wl，W2，w，…，Wk}

（4）样本集

对样本集的每一个样本Xi，都可以映射成新的样本Yi，从而得到映射后对应的向量集。

Yi=WTXi

3.2 SVM分类

在样本集上采用升维的方法，主要是针对线性可分的状态进行处理，而线性不可分的状态，经过非线性的映射，在低维情况下输到空间的线性不可分样本转换到高维情况下进行处理，进而在高维特征空间使用线性处理的方法。如此，含有非线性特征的样本，才有可能实现线性处理。由于训练集样本数有限，因此可以寻找到满足约束条件的超平面，构建最优解，从而产生全局最优的学习器，同时求得全部样本空间期望风险的概率，达到上界数值要求。

3.2.1 SVM应用

本文通過支持向量机的方式，将处理后得到的不同特征向量送人分类器中，从而输出具体的表情类。为了便于分析实验的结果，图2中把四种表情作为分类的标准。

4展望与思考

以计算机视觉、人工智能和情感计算等新兴技术为研究基础，借助外置摄像头让计算机对人脸进行定位，从而获取用户的情绪信息。当然，提取情绪信息最关键的步骤，还是如何精准识别到人脸，本文采用LBP算法进行特征定位，以四种基本情绪为检测标准，对人的情绪进行判断，该种方法简单容易实现，但实验结果表明，在低维空间下实验结果更切合实际情况。下一步的研究重心还是放在对人脸定位算法的优化上，提高程序运行时的可容纳数据量，加强实验研究结果的可靠性，同时探索对瞬时表情的捕捉识别方法，增强程序的可用性，让情绪识别更好地应用到我们的日常生活中去。

参考文献：

[1] David A.Forsyth.Computer Vision：A Modern Approach Sec-ond Edition[M].北京：电子工业出版社，2012.

[2]毛峡.人机情感交互[M].北京：科学出版社，2011.

[3]阮秋琦.数字图像处理基础[M].北京：清华大学出版社，2009.

[4]刘伟锋，李树娟，王延江.人脸表情的LBP特征分析[J].计算机工程与应用，2011（2）.

【通联编辑：李雅琪】

收稿日期：2019-10 -11

作者简介：林锐（1999-），男，福建莆田人，本科大三，福州大学。