改進ASM和分類樹表情識別算法

吳旭風， 馮 桂

（華僑大學 信息科學與工程學院，福建 廈門 361021）

0 引言

人們在日常生活中觀察相互之間情緒的一種基本方法就是通過觀察人的表情，表情是非語言交流的一種手段。人臉表情識別有著廣闊的應用前景，同時人臉表情識別還具有重要的學術價值。因此該方向的研究成為熱點。文獻[1-2]提出了許多不同的人臉表情識別方法。

人臉表情識別的主要步驟分為兩步：表情特征的提取和表情的分類。Lyon[3]利用主動形狀模型（ASM，Active Shape Mode）算法對人臉中的眉毛，眼睛，額頭，鼻子，嘴巴，臉頰進行34個特征點的選取，并用LDA進行模板匹配，在JAFFE人臉表情數據庫上，對6種基本人臉表情進行實驗獲得75%的識別率。Feng[4]采用局部二元模式進行特征提取，用改進的模板匹配法進行兩步分類，在相同的數據庫上獲得了77%的平均識別率。

綜上所述，文中對ASM算法人臉特征點提取進行改進，采用選擇性特征點提取解決人臉面部信息點選取過多造成表情信息冗余的問題。采用條帶法進行局部特征點的定位以解決傳統 ASM 算法定位人臉圖像紋理平滑區域不精確地問題，提高算法定位精度，分類樹方法則是對模板匹配法的改進。

1 ASM算法的分析

ASM算法是由訓練和搜索兩部分組成的。首先對一組標有特征點圖像進行建模，然后在搜索過程中通過不斷的調節形狀和姿態參數使形狀達到最優化。

建立ASM：

1）選取某個樣本作為初始的平均形狀的估計值，將所有的樣本按式(1)向當前的平均形狀對其齊：

2）重新計算新的樣本平均值。

3）對新的平均值按照默認的參考標準化。

4）如果新的均值變化小于某個閾值，認為收斂，否則跳轉到步驟 1）繼續迭代直到收斂。得到調整好的訓練樣本后，就可以對訓練集統計分析與建模，所在的樣本集可看成是一堆點x的集合。

2 優化改進方法

2.1 特征點選取方法

經典算法特征選取缺點：

1）放大噪聲信息（主要是光照噪聲和無用人臉輪廓信息等）對判別的影響。

2）大量的無用信息的增加，不僅提高計算復雜度，增長了訓練建模的時間，而且會影響其他有效分類信息。

優化的特征點選取方法：減少特征點的選取，減少由于不同人臉輪廓帶來的噪聲干擾，大大縮短訓練建模的時間。

特征點選取依據：

1）把表情特征區域分為6塊，分別是1額頭，2眉毛，3眉心，4眼睛，5鼻子，6嘴巴。

2）主要使用的人臉特征是眉毛、眼睛和嘴巴的形變特征，同時兼顧額頭、眉心和鼻子區域的紋理特征。

眼睛:兩個眼角各取一點，兩眼共2個特征點。

眉毛:眉毛的內角，外角各取一點，眉毛中間各取3點。

鼻子:兩個鼻孔外邊緣各一取點，鼻子共取2個點。

嘴巴:兩個嘴角各取一點，上下嘴層中間各取一個點，共4個特征點。

人臉輪廓:人臉下巴正中間取一點，人臉兩側輪廓等間距各取2個點，共5個特征點。

整個人臉共取21個特征點，將各個特征點按順序{1，2，…，21}編號，用點分布模型構造先驗模型，對給定的測試樣本，由訓練集圖像灰度和形狀信息學習得到其形狀向量，進行訓練，得到平均臉。

2.2 搜索算法的改進

原搜索算法是在相鄰特征點的法線方向上取點，然后將取到點灰度值代入馬氏距離計算式，得到馬氏距離最小的點便是最佳定位點。改進算法的基本原理是在原有算法法線方向上取一個x×x大小的窗口，該窗口內的灰度平均值作為該中心點的灰度值，然后代入馬氏距離計算式，求出最佳的定位點。

改進的馬氏距離定義：

gji是窗口內點的灰度值。i表示第 i幅圖像，j表示第j坐標點。

求差分：

采用改進算法對一幅圖像進行定位，圖1為原圖像，圖2為定位后圖像，從圖2中可以看出，該方法在人的下額與脖子，衣領的交界處，也就是人臉紋理平滑區域上有良好的定位效果。

圖1 原圖像

圖2 定位后圖像

2.3 分類樹算法

首先是將表情分解成幾種差異度較大的幾類，這里把表情分為 3個子類 G1(驚訝）,G2(高興，害怕），G3（厭惡，悲傷，生氣），然后根據上一級分類結果接著進行特征區域和特征點的選擇,對表情進行細分類。具體區域劃分如表1所示。

表1 人臉特征區域劃分

2.4 判別方法

最小距離分類器：最小距離分類器是將各類訓練樣本劃分成若干子類，并在每個子類中確定代表點。測試樣本的類別則以其與這些代表點的距離最近為原則（距離一般取歐氏距離）。

3 實驗結果與分析

3.1 JAFFE人臉庫

日本JAFFE人臉表情數據庫，包括213張人臉表情圖像數據，根據實驗的需要，將數據庫分為了7組，分別代表7種不同的表情，每一類表情組中有10個不同的人的1幅正臉圖像。

3.2 實驗1

實驗過程：對人臉表情數據庫中圖像進行歸一化處理，在每一類表情中的10幅人臉中依次選取一幅作為測試用圖像，其他九幅作為訓練圖像。采用特征點選取法和經典的ASM算法進行對比，在相同收斂條件下，做 10次實驗求平均訓練時間。結果如表2所示。

表2 兩種方法在不同收斂參數下的實驗結果

3.3 實驗2

將文中方法與經典算法進行實驗比較，結果如表3所示。

表33 種算法的實驗結果

4 結語

將特征點選擇引入到ASM的平均臉的構建之中來，可以大大縮短訓練時間和精度。而用條帶法進行局部特征點定位時可以大大提高精確度，在一定程度上克服了邊緣紋理的干擾，有效的提高了識別率和識別速度。而使用分類樹識別法可以更有效的區分幾種容易混淆的表情。總的來說，該算法可以取得比較好識別效果，但與一些先進算法相比，在圖像圖形處理[5-6]，特征點選取及自動定位上[7]，以及分類器的選取[8-9]上還有較大的改進空間。

[1]SCHLOSBERG H.Three Dimensions of Emotion[D]Harold：Psychological Review,1954.

[2]YANG M H.Detecting Faces in Images: a Survey[J].IEEE Transactions on Pattern Analysis and Machine,2002(24):34-58.

[3]LYONS M J, BUDYNEK J, AKAMATSU S.Automatic Classification of Single Facial Images[J].IEEE Trans PAMI,2002(12):1357-1362.

[4]FENG C.Facial Expression Recognition based on Local Binary Ppatterns and Coarse-to-fine Classification[J].CIT, 2004(24):178-183.

[5]黃寧寧，賈振紅，楊杰，等.基于GLCM和EM算法的紋理圖像分割[J].通信技術，2011,44(01):48-49,52.

[6]蔣偉,楊俊杰.基于圖像修復的圖像編碼技術[J].通信技術,2011,44(01):43-44,47.

[7]呂品軒,王士林,李生紅.基于唇語識別的特征鑒別力分析[J].信息安全與通信保密，2008(05):60-62.

[8]趙玲.基于Kohonen網絡的入侵檢測方法[J].信息安全與通信保密，2005(03):125-127.

[9]石明明，魯周迅，馬鑫.信號識別中的決策論分類器改進[J].通信技術,2011,44(03):7-8.