关键字 |
| 面部表情检测、特征提取、表达分类。 |
介绍 |
| 在过去的几十年中,人机交互和计算机视觉一直是一个重要的计算机研究领域。之间的直接通信计算机和人类有关的问题。许多研究已经进行改善和发展人类和计算机之间的互动。的重要因素之一,导致增加和发展计算机和人类之间的相互作用是研究人类的计算机识别面部表情的能力[2]。消息的语言部分只占7%的意义作为一个整体;声乐部分贡献了38%,而面部运动和表达式贡献55%的这一信息的影响,所以可以说面部部分的一个主要贡献在人类交流[1]。虽然已经取得了很大进展,但与高精度识别面部表情依然困难由于微妙,复杂性和可变性的面部表情。 |
| 产生一个有效的面部表示从原始的脸图片是成功面部表情识别的重要步骤。有两种常见的方法来提取面部特征:几何特征方法和外貌的方法。几何特性呈现面部的形状和位置的组件,这是形成特征向量提取表示几何。与外貌的方法、图像过滤器,如伽柏小波应用于整张脸或面容而言提取内在特定的面部特征—外观的变化。 |
| 挑战面孔表情识别系统。 |
| 已经指出,面部表情识别技术一直是研究的一个非常具有挑战性的任务,因为所有的困难和局限性。与面部表情识别相关的挑战可以归因于以下因素: |
| 姿势:面对变化的图像由于相对相机的脸额和non-frontal等位置。脸可能有不同的角度的面部特征,如眼睛或鼻子可能会部分或完全闭塞。为了克服这一挑战实现良好的预处理技术不变的翻译,旋转和缩放。 |
| 阻塞:面临着可能被其他物体部分堵塞。在一个图像如果脸挡住其他面临或对象如面具,头发、眼镜等。图像提取的表达特性是复杂的。 |
| 照明:如果图像在不同的灯光。然后可以检测不准确表达特性,因此面部表情的识别率较低。这个因素通常会使特征提取更加困难。补偿光照的变化在一个输入图像,图像预处理方法如DCT正常化,直方图均衡化,等级标准化可以应用在特征提取之前[3]。 |
文献调查 |
| 根据调查各种人脸检测方法可以分为四类。基于知识的方法、功能invarient方法,模板匹配的方法和基于外观的方法[16]。基于知识的方法是基于规则的方法。这些方法试图捕捉人类知识的脸,并将其转化为一组规则。功能invarient为人脸识别方法发现一些invarient特性。这个想法是为了克服面临的限制我们的本能的知识。模板匹配方法比较输入图像和存储模式的人脸或特性。 |
| 基于外观的方法依赖于技术统计和概率分析和机器学习的相关特征脸图像。一般来说这种方法已经显示出优越的性能。统计方法估计缺失或不确定的信息提供了一种方法。统计工作在一个大的数据集,我们要分析设置的个人点数据集之间的关系。主成分分析的方法识别数据模式,和表达数据等方式来突出他们的异同。PCA的另一个主要优点是数据压缩,通过减少尺寸的数量,没有多少损失的信息。外貌的人脸识别方法是PCA(主成分分析),LDA(线性判别分析),ICA(独立分量分析)[16]。 |
不同的面部表情识别方法 |
| 面部表情识别包括三个主要步骤。在第一步脸图像获取和检测区域从图像和预处理输入图像获取的图像有一个正常大小或强度。下一个是表达特性从观察到的面部图像或图像序列中提取。然后提取特征的分类器,分类器提供了公认的表达式作为输出。面部表情识别系统的方块图在图1中给出。 |
| 输入图像可以以不同的方式来表示。如果脸图像可以表示为一个单位就叫做整体表示。如果脸图像可以表示成一组特性就叫做解析表示。脸也可以表示为这两个的组合称为混合方法。 |
| 答:人脸检测 |
| 人脸检测是本地化的过程中,从背景中提取脸部区域。它包括分割、提取和验证面临的面部特征从一个不受控制的背景。这是两种不同的方法:情感检测从静态图像和情感检测图像获得的视频[1]。 |
| b .面部特征提取 |
| 面部特征提取的过程是将输入数据转换成一组特性。使用特征提取可以帮助减少大量的数据集相对较小,计算速度更快。受到许多并发症差异不同的图片相同的面部表情,成像的光的方向,和各种各样的姿势,大小和角度。甚至同一个人,在不同环境中拍摄的图像可能与[1]。有两种类型的特性,通常用于描述面部表情:几何特性和分析功能。 |
| 1)几何特点:测量的某些部位的位移特性如眉毛或嘴角。面部组件或面部特征点提取,形成特征向量表示几何。基于几何的方法,表达影响的相对位置和大小的各种特性,通过测量某些面部的运动点可以确定潜在的面部表情。几何特征测量的任务通常是与人脸区域分析,尤其是在面对地区发现和跟踪关键。 |
| 2)外观特点:功能描述的变化面纹理执行特定的操作时,如皱纹,凸起,前沿,嘴巴和眼睛周围的地区。图像过滤器,用于wholeface或特定区域在人脸图像中提取特征向量。根据这项研究基于外观宽领域的算法。这些包括主成分分析(PCA),独立分量分析(ICA),当地PreservingProjections(垂直距离),线性判别分析(LDA),伽柏小波,局部二进制模式(LBP)。 |
| 主成分分析(PCA):主成分分析的主要思想是找到最好的向量占脸图像的分布在整个图像空间。这些向量定义脸图片我们称之为空间的子空间。在这种方法中面临被表示为一个线性组合的加权特征向量称为特征脸。特征脸,无非是一个分布的原理组件的脸。使用PCA的人脸识别的主要思想是表达大像素的一维向量由二维面部图像特征空间的紧凑的主成分。这就是所谓的特征spaceprojection。特征空间是通过识别计算协方差矩阵的特征向量来自一组面部图像(向量)。 |
| b。内核PCA:这也是基于特征向量的方法,但该方法使用非线性映射 |
| c。线性判别分析(LDA): LDA和相关fisher线性判别方法应用于统计、模式识别和机器学习找到一个线性组合的特性分离两个或者更多类对象或事件。由此产生的组合可能被用作一个线性分类器。这也是基于特征向量的线性映射方法和监督。 |
| d。独立分量分析(ICA): ICA分离的计算方法是一个多变量信号添加子组件非高斯信号,在统计上是相互独立的。盲源分离的ICA是一个特例。 |
| e。自组织映射(SOM):这是一个类型的人工神经网络(ANN)训练使用无监督学习来产生一个低维的(通常是二维)可表示训练样本的输入空间,称为地图。SOM不同于安在某种意义上,他们用社区功能保存输入空间的拓扑性质。 |
| f。伽柏小波变换(GWT):命名的丹尼斯·伽柏伽柏变换是一个特例的短时傅里叶变换。这是生物动力线性滤波器。信号的伽柏变换x (t)是定义的公式; |
 |
| c表达分类 |
| 下一个功能块是表达分类块使用特征提取之前的块并试图基于之间的相似性特征的特性进行分类数据。线性分类器的分类器和人工神经网络等通常用于此[1]。后的集合特性提取人脸区域用于分类阶段。的功能是用来描述面部表情。分类需要监督训练,训练集应该包含标签数据。一旦训练分类器,它可以识别输入图像通过分配一个特定的类标签。 |
| 支持向量机(SVM):支持向量机决策超平面之间的线性分类器,maximizethe保证金和训练集的例子。所以,一个最优仿真应该最小化分类误差的看不见的测试模式。这个分类器首次应用于人脸检测。 |
| 神经网络:许多模式识别的问题,象对象识别、字符识别等都面临着成功的神经网络。这些系统可以用于人脸检测在不同的方式。一些早期的研究使用神经网络学习和区别人脸模式。他们检测问题定义为两舱问题。真正的挑战是代表“图像不包含人脸”类。其他的方法是使用神经网络来查找使用距离判别函数分类模式的措施。一些方法试图找到一个最优边界的脸和区别人脸图片使用约束生成模型。 |
讨论和结论 |
| 开发一个自动化系统,实现表情识别是很困难的。各种方法已经对健壮的面部表情识别,应用不同的图像检测、特征提取、分析和分类方法。本文简要综述了面部表情识别的方法。特征提取对表情识别系统重要的阶段,因为提取特征用于分类阶段。特征提取的表情识别使用几何特性更为困难,因为它取决于特征所以外貌特征的形状和大小更容易提取。引用的列表提供更详细描述的理解方法是参军。 |
数据乍一看 |
 |
| 图1 |
|
|
引用 |
- Alka Gupta m . l . Garg“人类情感识别系统使用指导自组织映射”,IEEE国际Conferenceon计算全球可持续发展(INDIACOM), 2014年
- 特·Gosavi s . r . Khot“情绪识别使用主成分分析,奇异值分解”,InternationalConference在电子和通信系统(欧洲- 2014)。
- MarryamMurtaza,穆罕默德•谢里夫MudassarRaza和贾马尔侯赛因国王,”下的人脸识别分析不同招牌l表达:一项调查”,阿拉伯国际信息技术杂志》10卷,2014年7月4号。
- Caifeng山,Shaogang锣,彼得·w·McOwan”Faciale表达式识别基于局部二进制模式:一个全面的研究”,形象和视觉计算27(2009)爱思唯尔。
- MuzammilAbdulrahman, Tajuddeen r . Gwadabe法赫德j .阿卜杜勒AlaaEleyan,”伽柏基于小波变换的面部ExpressionRecognitionUsing PCA和枸杞多糖”、2014年IEEE 22日信号处理和通信应用会议(2014年起)。
- Caifeng山,Shaogang锣,彼得·w·McOwam“健壮的面部表情识别使用本地二进制模式”,IEEE国际conerence图像处理2005 ICIP卷2。
- Farhan巴沙尔·阿西夫•汗,费萨尔艾哈迈德,MdHasanoulKabir,“健壮的面部表情识别基于中间ternarypaterns”, 2013年电子信息和计算机技术国际会议(EICT)。
- SukanyaSagarikaMeher、帕拉维·埃呀尔-梅宾“使用PCA人脸识别和表情识别”,IEEE国际预先计算会议(IACC)的2014年。
- 生命Majumdar、LaxmidharBehera Venkatesh k萨勃拉曼尼亚”,基于局部二进制模式的面部表情识别使用SelforganizingMap”,国际联合会议上神经网络(IJCNN), 7月6尺11寸,2014年,北京,中国。
- 怀n . Khatri Zankhana h·沙Samip A . Patel“面部表情识别:一项调查”,国际期刊《计算机科学信息技术(IJCSIT)、5(1)卷,2014年,149 - 152。
- RojaGhasemi Maryam艾哈迈迪,“使用面部表情识别有效区域和模糊逻辑”,伊朗会议onIntelegent系统(艾多酷),2014年。
- Divyarajsinh n Parmar Brijesh b·梅塔“人脸识别方法及应用”,国际期刊的计算机技术及应用(IJCTA), 4(1)卷,84 - 86。
- Mohammad Javed Bhaskar Gupta,“性能Comparition各种人脸检测技术”,国际期刊的科研工程技术(IJSRET),卷2期1,019 - 0027页,2013年4月。
- Kwok-Wai Wong Kin-Man Lam Wan-Chi Siu”,一个高效的人脸检测算法和面部特征提取在differentconditions”,《华尔街日报》的模式识别社会34 (2001)1993 - 2004。
- SenthilRagavanValayapalayamKittusamy VenkateshChakrapani,“面部表情识别使用特征空间”,2012年计算机科学杂志》8日。
- Shamna P,保罗•奥古斯汀Tripti C,”一个探索性调查各种人脸识别方法使用成分分析”,国际先进研究期刊》的研究在计算机和Communicaion工程(IJARCCE),卷2,问题5,2013年5月。
|
菜单
