当代研究的脸和面部表情识别系统审核

乌莎·玛丽·夏尔马¹,Kaustubh Bhattacharyya²,Uzzal沙玛³

助理教授,CSE和阿萨姆邦鲍斯大学,印度阿萨姆邦¹
助理教授、ECE,阿萨姆邦黄宗泽大学,印度阿萨姆邦²
助理教授,CSE和阿萨姆邦鲍斯大学,印度阿萨姆邦³

文摘

本文的主要目标是使一个比较研究各种方法用于识别人的脸上,此后承认他们的情感。在各种技术实现,神经网络,隐藏的马尔可夫模型和降维技术得到了很多的关注。脸和面部表情识别系统需要护理和数据采集、预处理、特征提取、分类和性能评估。综述论文的主要目的是研究和比较知名的技术用于识别不同阶段及其情感。

关键字

人脸识别、情感识别,主成分分析(PCA),神经网络(NN),隐马尔科夫模型(HMM),线性判别分析(LDA)和支持向量机(SVM)。

介绍

一个人的情绪明显重要的有效的沟通。有许多因素,有助于理解个人的情绪如的脸,演讲中,身体语言,行为等。[1]保罗·埃克曼提到在他的研究中发现,某些情绪可以被公认,即使有文化差异通过面部表情像恐惧、快乐、愤怒、厌恶、悲伤和惊讶。

面部表情提供至关重要的行为方式研究情感和社会互动。识别的人通过他/她的脸和识别自己的情绪最近已经成为一个有前途的研究领域。应用包括人机接口、人类情感分析和医疗保健和治疗。这个地区最近的进步使得研究人员乐观扩大面部表情识别的应用等各领域的聊天室化身,视频会议化身。此外,脸和面部表情识别的应用程序可以使用在许多领域从手语通过虚拟现实的医疗康复,临床和心理教育目的、部门等许多重点给出了人机交互(HCI),这样可能会有一些可能性的人类和计算机交互更自然的方式。要实现这一目标,有必要计算设备了解人类的情感互动。试图识别面部情绪有助于人类和计算机交互以更有效的方式。

正如前面提到的,有很多的研究工作来识别面部表情演绎的情感与更高的准确率,它仍然难以实现更大的准确性由于错综复杂,复杂性和可变性的面部表情。因此,研究人员正在限制他们的方法为了获得更好的结果。

理论背景

在过去的几十年里,研究人员做了很多研究在面对情感和面部识别[2]中扮演一个重要的角色在智能人机交互领域提供了一个重要的媒介行为解释和情感建模。有许多步骤来识别面孔和实现一个面部表情识别系统。这些步骤:预处理、特征提取和分类。

预处理

面部图像必须首先捕获;这样做是主要由任何相机。此外,彩色图像转换为灰度和手工剪裁。这些裁剪图像归一化某些像素。图像归一化到一定大小等[3],奥利维蒂和甲骨文研究实验室(ORL)数据库规范化56 x 46个像素。直方图均衡化可以消除光效果。面部图像可能包含高斯噪声等噪声、泊松噪声、椒盐噪声等各种噪音消除技术应用于确保免费的图像噪声。此外,de-blurring技术必须应用删除任何模糊的图像。各种预处理步骤中完成预处理可以尺寸标准化,统一的姿势和旋转,对比优化和掩蔽。

特征提取

特征提取是最重要的阶段,识别任何面部图像及其情感。这一阶段提取关键特性,可以帮助识别一个特定的脸。从技术上讲,[4]特征提取用于提取其主要组件来降低分类器的输入特征向量维度。换句话说,努力消除冗余数据,从图像中提取相关数据(特征向量)被称为特征提取。

在过去的十年里,研究人员实现许多特征提取技术提取的关键特性。一些最常用的方法是PCA(主成分分析)也被称为Eigen-Faces, LDA(线性判别分析),2神龙公司(二维主成分分析)。

分类

在这个阶段,系统首先是训练与一定数量的图片,之后系统用于分类任何给定的图像在一个给定的时间,称为测试阶段。有很多分类器使用识别及其情感。其中一些是k - means,近邻分类器,再邻居分类器,SVM(支持向量机),决策树,ANN(人工神经网络),嗯(隐马尔科夫模型),ADA提高哈雾分类器等。

实验的细节

许多实验已经进行了识别及其情感。在[5],[6],实验使用主成分分析(PCA)完成特征提取。[6]的测试是对日本女性面部表情(JAFFE)数据库而在[5],算法测试奥利维蒂和甲骨文研究实验室(ORL)面对数据库有400图片(40类)。此外,[7],[8]的一些著名的技术用于人脸识别的主成分分析(PCA),线性判别分析(LDA),独立分量分析(ICA)和[8]svm(支持向量机)。[8]的特点是使用精明的边缘检测算法提取出来,并进一步的两种技术。,Principal Component Analysis (PCA) and neural networks (NN) were implemented, the results were comparatively higher, proving it to be a better approach. The authors in [9] introduced two other approaches i.e., feature based and template based approach. In the feature based approach, set of geometrical features such as nose width and length, mouth position and chin shape were computed. On contrary, the template based approach was based on almost a grey- level matching.

研究[2],[10],[11],[12],[13],[18]显示广泛的实验已经进行了使用神经网络(NN)人脸识别和表情分类。作者强调了不同类型的神经网络就像[5],[10]前馈反向传播神经网络,[4],[11]时滞(径向基函数神经网络),大小[14]广义前馈人工神经网络(GFFANN)和[2]分层径向基函数网络(HRBFN)。[7],[12]这些实验进行了在不同时间、照明条件和面部表情。提到的一些其他著名分类器是基于事例[15]分类器和隐马尔可夫模型(HMM) [7]。嗯似乎与站脸上的变化,如照明、取向、面部表情等。[13]的实验工作是由实现反向传播算法训练。数据库包含各种各样的面孔与不同性别、种族和特性。这些品种在数据库中,如眼镜,胡子和胡子使系统成功学会区分不同等级的面部表情。

结果与讨论

上述实验结果在报纸上进行显示,在大多数情况下,[5]主成分分析(PCA)方法被证明是最好的只有当额脸图像被认为是没有头的方向。[5]它给了97.018%的识别率与k - means相比哪个更好,模糊与模糊c Ant。这里使用的性能函数MSE。

[5],[6]主成分分析被认为是一个最常用的降维方法的特性集。在[6],实验结果显示大约85%的识别率的成就但[16]它包括不必要的变化由于照明条件。在[16],它已经表明PCA计算相当昂贵和[3],它是通过实验,2神龙公司大幅提高了特征提取的速度。因此,2神龙公司比主成分分析计算效率更高。然而,2神龙公司在存储方面有缺点,因为它需要更多的系数来表示图像PCA相比。相反,[15]的结果是非常不同的。

在[11],它也被认为与盛名PCA (Fisher线性判别)技术可以帮助获得低维判别模式,增加精度等级。PCA和LDA常用功能表示。[7]然而,嗯(隐马尔科夫模型)执行更好的图像有变化,例如照明,面部表情,取向。此外,在[8],实验结果也表明,PCA和LDA达到更好的与SVM相关联。它得出结论,LDA和支持向量机的工作比主成分分析和支持向量机。

作为一个分类器,人工神经网络(ANN)被证明是有效的比其他分类方法。在[12],注意到主成分分析与神经网络以及精明的边缘检测算法做了一个更好的精度。这可能是因为没有考虑图像的预处理;因此,预处理时间省略。[3],[10]前馈反向传播神经网络与主成分分析显示相当好的结果。然而,也观察到,径向基函数神经网络(时滞)大小随着[10],[11]PCA或DCT[4]已下降超过90%的准确率尤其是当有一个小训练集组成的高维数据集。正如已经提到的,时滞消耗很多时间大小识别隐藏的节点和数据中心。因此,当数据集规模较小,时滞是一个最好的大小分类技术。以后,面临的一个重要部分获取相关信息来识别一个人的情感以及识别它们。[2],[14]因此,采取了一些方法,可以获取局部和全局特征来推断人的独特性。提出的系统[14]取得了97%的准确率。

结论

本文展示了一些计算机视觉领域的研究工作进行集中的脸识别和面部表情识别以达到可靠的实时系统。仍然很难坚持一个特定的方法识别面部表情的脸部变化及其复杂性。

未来的范围

实验结果和讨论中提到的,有各种各样的方法,在不同的情况下执行相对较好。作为未来的范围,我建议给更多的重要性而提取的功能。足够的关心和必须采取适当的措施来有效地提取关键特性。因此,神经网络可以用来提取特征以及其他技术,因为它已被证明是一个强大的技术。

表乍一看


表1	表2

引用

埃克曼,保罗,“基本情绪”,在Dalgleish T;权力,M,手册的认知和情感,苏塞克斯英国约翰威利&儿子。1999。
Daw-Tung林”,面部表情分类使用PCA和分层的径向基函数网络”。信息科学工程杂志》22日,页。1033 - 1046年.2006。
剑,亚历杭德罗·Frangi,大卫•张Jing-yu杨。“二维主成分分析:外貌的脸表示和识别”的新方法。IEEE模式分析与机器智能,26卷,没有。2004年1月1日。
勇,ZhiMao雪,“RBF神经网络应用于人脸识别”。国际会议在环境科学和计算机工程挑战,IEEE .2010。
玛雅Agarwal, Nikunj Jain, Manish Kumar先生和Himanshu Agrawal“人脸识别使用特征脸和人工神经网络”。国际计算机理论与工程学报,2卷,4号,2010年8月。
嘉斯米娜Novakovica, Milomir Minica, Alempije Veljovicb”分类的准确性与PCA神经网络情感识别”。数学和计算机科学的理论和应用1页。16。2011年。
s . Sharavanan m . Azath“基于LDA人脸识别利用隐马尔科夫模型在当前的趋势”。国际期刊的卷2工程与技术(2),77 - 85.2009页。
马丁Melisek Jan Mazanec米洛斯岛Oravec, Jarmila Pavlovicova,“支持向量机,PCA人脸识别和艾达”。《电气工程,59岁。卷。4、203 - 209页。2008年。
罗伯特·布鲁内利和Tomaso方法“人脸识别:特征与模板”。IEEE模式分析与机器智能,15卷,没有。1993年10月10日。
Pushpaja诉Saudagare科学博士Chaudhari”,面部表情识别使用NeuralNetwork-AnOverview”。国际期刊的软计算和工程(IJSCE), ISSN: 2231 - 2307,第二卷,第一期,Mar2012。
Kalpana c . Jondhale l . M Waghmare博士“改进PCA性能使用盛名和时滞对人脸识别”大小。第三国际会议在工程和技术IEEE .2010新兴趋势。
华王、“基于径向基函数神经网络的人脸识别”。未来的信息技术和管理工程”国际研讨会。IEEE。2008年。
克里斯汀·l·Lisetti David e . Rumelhart“面部表情识别使用神经网络”。第十一届国际眼光研讨会论文集,版权AAAI,页328 - 332.1998。
Kolhandai Yesu, Himadri Jyoti Chakravorty, Prantik Bhuyan,里Hussain Kaustubh Bhattacharyya,“混合特性基于人脸识别方法使用人工神经网络”。程序的计算智能和信号处理(对),2012年。
Sourav Pramanik, Debotosh保护,“基于几何特征的脸绘图识别”。IEEE国际会议的程序模式识别、信息学和医学工程、pp研讨会。2012年3月。
s . Thakur J.K.辛格位巴苏,M。茶室”,结合人脸识别的时滞使用大小Dempster-shafer理论”。
j·普拉卡什,k . Rajesh“人脸检测和分割使用协方差矩阵的特征值,霍夫变换和光栅扫描算法”。世界科学院、工程和技术,3 - 9页。2008年。
一Filko Goran Martinovic,“情感识别系统由基于神经网络的面部表情分析”。ATKAFF 54 (2), pp.263 - 272。2013年。