云計算環境下人臉表情智能識別改進技術研究

謝文達

(江門職業技術學院，廣東 江門 529090)

云計算環境下人臉表情智能識別改進技術研究

謝文達

(江門職業技術學院，廣東 江門 529090)

隨著人臉識別技術的開發，對于如何提高人臉表情智能識別改進技術的研究也越來越多;如何提高人臉識別的準確度和完整度是當前發展的主要需要，而計算機云計算功能在人臉識別中的應用在一定程度上解決了此問題;通過改進細菌覓食算法，再將其應用到主要成分分析算法對圖像基本特征進行提取分析;通過以上的算法輸入計算機網絡云儲存當中，實現云計算技術在人臉識別中的應用;文章將通過對于算法部署函數的辦法進行圖片解析工作，并且利用智能人臉識別軟件對圖像進行抽絲、分類、匹配等工作進行功能狀態進行測試;實驗結果表明利用云計算技術通過連接網絡云計算系統可以對目前的人臉識別以及分類做到更高的準確性和適應性。

云計算環境；人臉表情識別；特征提取

0 引言

隨著科學技術的不斷發展和網絡技術的發展，配合人臉識別技術的應用，推出在云計算環境下，如何進行人臉表情實現智能識別功能，并且進行改進是十分必要的[1]。而且在發展中，云計算算法對于視覺發展尚有開發空間，這也為人臉識別的發展和改進提供了研究的可操作性。對于人臉識別的工作主要是先進行圖像的基本特征提取和分析，接著將所得到的特征數據進行求解程序解答，完成對于目標函數的分析和研究，通過以上的大體操作來達到對于圖像識別效果的完成和工作[2]。

在以往的人臉識別技術當中，只能對圖像色彩單一和背景色較為突出的情況實現，而如今攝影技術的不斷發展，這已經不能滿足現在圖像中的人臉識別功能。為此通過利用細菌覓食算法的相關成分的分析辦法,對特征函數進行分解,做到目前多種色彩環境下或者是3D圖像模型中實現更將強大的圖像識別功能和人臉識別能力[3]。而這僅僅是人臉識別功能發展中一個階段性的進展，隨著計算機云計算算法的不斷應用各個領域，在人臉識別技術當中也有所表現。利用新的算法不僅僅可以滿足圖像色彩差的影響因素，還可以對于不同形態和狀態下的人臉進行識別，做到全方位全景別下識別，加強了目前的人臉識別功能。而云計算算法尚處在開發和改進的過程當中，在進行人臉識別的時候很難達到滿意的穩定度，在精度上還有待加強[4]。本文通過對目前云計算算法在人臉識別中的應用，研究可以利用跡線追蹤和HADOOP云計算平臺對現今技術進行改進。加強對于人臉周圍輪廓和色彩的重新刻畫和背景色復雜或者是顏色較低的情況。最后利用細菌覓食算法進行優化，在MATHEMATICA Cloud云計算數據庫的支持下，完成對于人臉圖像的摳圖、分類、匹配工作[5]。通過實驗驗證，這種方法在于提高對于人臉表情智能識別度和準確度有很大的提高。

1 改進應用算法

在進行人臉識別技術功能中，主要的技術還是在于人臉圖像特征和提取部分。人臉圖像中會存在很多的細節特征，而每一個特征的準確提取和分析都是現今人臉識別技術所需要的要求[6]。而在進行特征分析中也會發現，這些特征中都會存在一定的規律和相似關聯性，而由于人臉特征數量較多和關聯性較為密集，每一項都進行算法分析會使得產生巨大的數據量，導致函數計算上出現失誤和升維。而采用主要成分分析法可以將人臉圖像中的特征進行自動的分析和解算，使得進行函數計算的特征數量有所減少，使得不會產生大量的數據干擾。

1.1 主要形成成分算法

在進行主要形成成分分析算法中有7個步驟。一下為步驟的分步解讀[7-8]。

第一步，對數據進行采集，形成一個集合x，而該集合維度設為P，樣品集合為Xi:

x=(X1,X2,X3, …,XP)T

(1)

Xi=(X1i,X2i,…,Xpi)Ti=1,2,3,…,n

(2)

而面對樣本數據進行提取和分析，以進行標準化轉變將通過以下的公式，并且設Z為標準化陣：

(3)

(4)

(5)

第二步，分析在主要成分分析中所設的標準化矩陣的相關矩陣系數值，并且利用以下公式來進行數值的計算和分析：

(6)

(7)

第三步，通過上述公式引出數值變量R，接著引用一下公式方程來進行數值的特征數據解釋和算法：

|R-λIp|p=0

(8)

并且通過另一個公式來進行m值的確定，保證在上式中出現的λj可以得到準確的特征向量數值bj，而且做到單項對應以求分析：

(9)

第四步，將以上公式得到的數據和分析的變量指標轉化為可以用于主要成分分析算法中的可以進行的數據變量。并且分為將公式中的U分為從1到5進行編號分類，分成五個部分，而將UP設為主要成分。公式如下：

(10)

第五步，將樣本圖像進行人臉圖像處理，利用幾何原理，進行歸一化處理。將圖像中現實的像素看成像素點，以一點像素作為基本單位，并且將每一點的像素單位儲存在列向量數據庫中。

第六步，為做到對上述數據統計和分析，已作系統對于圖像特征的最后結果判斷，將這些經過算法得出的統計數據轉化為函數表示的空間坐標。而利用一下公式原則來轉變函數式：

(11)

坐標函數轉化方式：

yi=UT(xi-μx)=UTwi

(12)

第七步，最后利用以上數據和綜合，統合到主要成分分析算法當中，利用算法公式來對得到的人臉數據進行計算，得出主要特征分析，以求得人臉識別[9]：

wi=xi-μx

(13)

(14)

(15)

1.2 細菌覓食算法對其優化

以上的主要成分形成算法為當前的人臉識別系統操作應用到的基本算法，通過對其研究，本文提出利用細菌覓食算法在這里的應用，以做到對其優化，實現人臉識別數據最優。首先要利用細菌覓食算法對以上的公式進行解析工作，其中將利用到公式：

(16)

在進行細菌覓食算法中，每一次步長的增長數值都會小于第一次增長的數值。而且第一次增長時所需要進行的步長需要進行很大的數值輸入，使得整個系統對其進行運算的速度加快，為后期的分解和解析工作提供更為精確的數據和收斂速度。而且要建立較為完善的動態跟蹤機制，使得細菌的增長速度處于穩定的情況下，而且排列順序始終是從小到大的規律進行，不會出現亂序的現象。通過以上的操作可以加強細菌群落的整體覓食現象和狀態，加強圖像各個點位的特征提取。而為保證增長的穩定和細菌的合理化運作需要進行較為完善的菌落繁殖變異，利用克隆復制以及發送的方式來實現。并且通過一下的公式來進行算法。其中將工作中最為突出的細菌群落設為X，而進行克隆繁殖的細菌群落設為Y，并且對適應度數值F進行標準作業，使其在現行圖像分解中更加適用。進行以下公式：

(17)

(18)

變異需要進行的公式，將克隆得來的細菌群落進行變異為群落Z，變異公式如下：

Y(i)=Y(i)+βrandomn(Z)

(19)

式中,random是隨機函數，而對于β這個產生于變異的概率數值則需要進行以下公式來進行計算，并且得出在個體適應度越高的情況下，變量β的出現概率則會大大加強：

β=e-F(n-i+1)

(20)

在以往的細菌覓食算法中，都存在著一個概率，為遷移率，而為了進行細菌的遷移工作，一般都是會將遷移率調整到大于隨機數數目的數值之上。而這種方式的解析和遷移也存在著很難實現細菌適應性的提高和對算法的優化，甚至在有些情況下，細菌無法工作完成對各個像素點的收集和解析[10-12]。而在本文的優化中實現了個體遷移率被驅散的概率達到0的成就，而這樣的數據現狀可以將細菌在圖像中搜索像素點的速度加快和提高穩定性。為此，本著優化結構的攝像提出這種細菌覓食算法的整體結構模型，將其制成圖表以顯示，如圖1、圖2。

圖1 細菌覓食算法流程結構圖

圖2 細菌最優個體選拔流程(輔助流程圖)

2 實驗與分析

本文通過對以上算法的分析和解釋，設計出一種人臉表情識別系統，通過對幾組不同的人物圖像在軟件中進行實際操作，觀察識別情況和現象，求得最后應用的效果和完成度[13]。其中進行3種不同類型的實驗，為面部普通識別，帶有條件的面部識別，人物圖像匹配程度識別。

2.1 面部普通識別實驗

實驗過程為將準備好的圖像輸入到計算機軟件當中，設計的系統會自動對圖像中的像素點進行掃面，并將具有顯著特征的部分進行像素矩陣排列，運用以上的算法進行顯著和重要特征進行提取。效果圖為圖3(b)。

圖3 提取圖像的基本特征進行像素點標示

通過像素的標示，可以看出有些像素點為背景特征，在進行人臉識別過程中可以將這些出現的背景像素予以提出，以實現摳圖效果。而根據的是在云計算庫中所儲存的人物特征數據，以此來進行自動的分辨。并且最后做出人臉識別工作

[14]

。其效果展示可以很好的將人臉從色彩繁雜的圖像中識別出來，其準確度極高。用圖4來表示通過摳圖處理后的圖像和進行人臉識別后的圖像。

圖4 提取圖像基本特征的摳圖和人臉識別顯示

2.2 帶有條件的面部識別實驗

實驗流程依然選取以上的辦法進行，但是在實驗樣本圖像選擇上，依照本次實驗的選取目的，帶有性別分別的人物圖像樣本。本次實驗分析在進行3種圖像識別實驗，其根據條件為，人像識別，性別識別中的男性和女性識別[15-17]。而特征汲取源地也為云計算數據庫中所儲存的男女性別特征。通過原圖、人像識別圖、男性識別圖、女性識別圖進行樣本實驗結果展示，從實驗圖像分析來看，設計出來的人像識別系統可以做到對性別的最大優化分析，并且標注出來。實驗樣本圖像為圖5。

2.3 人像匹配程度實驗

本次實驗所選取的是張學友先生在不同的環境下和裝扮下的圖片，根據系統中的儲存數據進行對比分析。通過樣本圖像中的基本特征和重要特征和數據庫中的特征進行比對，發現具有很明顯的相似度。盡管在實驗中沒有輸入此圖片是張學友先生，但是系統根據相似度的判定，根據數據內部儲存的資料，最后得出結論此圖片為張學友先生。并且對各個圖片的相似度進行了數據表格的分析，制成表格表1。

圖6 人臉匹配程度顯示圖

表1 不同人臉圖像的相似度對比表

通過此表格可以看出這個人臉識別系統進行以上算法優化之后，對于人臉識別的辨識程度均達到了0.95以上，辨識度極高，對于人臉辨識程度可以做到最優。

2.4 實驗結論

通過以上3種不同形式的人像表情識別實驗，可以看出，盡管圖像處于色彩較多，干擾因素較多的情況下，都可以現進行特征分析，將不屬于人臉的特征通過云計算數據庫中信息比較而排除出去，并且對剩下的像素點進行精確地分析和解析，通過人臉特征數據和數據庫中對比挖掘出人臉部分，對圖像中人臉進行優化識別，以及完成度極高。

3 結束語

人臉識別是目前現代化技術當中一個較為新型的技術，而且隨著科技的發展其應用也越來越廣泛，而且現今也不僅僅應用于人臉識別，對于汽車識別，牌照識別等都有著不俗的表現。而本文研究的算法，利用細菌覓食算法對人臉識別技術進行優化升級，綜合計算機云計算算法，通過對于數據庫中進行特征比對，實驗表明，其系統有很高的完成度和準確度，較以往的人臉識別系統更加優化和升級。

[1] 許少榕.基于互聯網云計算的人臉識別算法研究[J].長春工程學院學報,2016,17(3):111-115.

[2] 王俊奇，李 闖，董 曄.Bishop法的半解析解及其廣義教學模型[J].水利與建筑工程學報,2015,(6):123-128.

[3] 李立賽.基于改進LTP算子和稀疏表示的人臉表情識別[J].五邑大學學報,2015,29(2):49-54.

[4] 張 娟，詹永照，毛啟容，等.基于Gabor小波和稀疏表示的人臉表情識別[J].計算機工程,2012,38(6):207-209.

[5] 宋克臣，顏云輝，陳文輝，等.局部二值模仿方法研究與展望[J].自動化學報,2013,39(6):730-744.

[6] 彭 帆, 徐志京, 葉 麗. 基于WSSRC單樣本人臉識別及樣本擴充方法研究[J]. 計算機測量與控制, 2016, 24(10)：25-26.

[7] 陳向震. 基于深度學習的人臉表情識別算法研究[D]. 沈陽：沈陽工業大學, 2016.

[8] 金 燦. 面向人工智能的人臉表情識別系統研究[J]. 電子技術與軟件工程, 2016,10(14):260-260.

[9] 丁澤超. 多特征融合人臉表情識別方法研究[D]. 鎮江：江蘇大學, 2016.

[10] 孔瑋婷, 皋 軍, 丁澤超,等. 基于稀疏表示的人臉表情識別算法研究[J]. 軟件導刊, 2016, 15(6):31-33.

[11] 產文濤. 基于卷積神經網絡的人臉表情和性別識別[D].合肥：安徽大學, 2016.

[12] 趙棟杰. 改進的LBP算子和稀疏表達分類在人臉表情識別上的應用[J]. 電子設計工程, 2016, 24(20):174-177.

[13] 任 磊. 基于靜態圖像的人臉表情識別算法的研究[D]. 沈陽：沈陽工業大學, 2016.

[14] 岳 雷, 沈庭芝. 基于自動提取特征點的三維人臉表情識別[J]. 北京理工大學學報, 2016,23(5):508-513.

[15] 吳 晴. 基于局部二值模式和非負矩陣分解的人臉表情識別[D]. 南京：南京郵電大學, 2016.

[16] 何 俊, 蔡建峰, 房靈芝,等. 基于LBP/VAR與DBN模型的人臉表情識別[J]. 計算機應用研究, 2016, 33(8):2509-2513.

[17] 許少榕. 基于互聯網云計算的人臉識別算法研究[J].長春工程學院學報(自然科學版), 2016, 17(3):256-263.

Research on Intelligent Recognition and Improvement of Facial Expression in Cloud Computing Environment

Xie Wenda

(Jiangmen Polytechnic,Jiangmen 529090,China)

With the development of face recognition technology, more and more research on how to improve the intelligent recognition technology of facial expression is also more and more. How to improve the accuracy and integrity of face recognition is the main need of the current development, and the application of computing and cloud computing to face recognition has solved this problem to a certain extent. Through the improved bacterial foraging algorithm, and then it is applied to the main component analysis algorithm to extract the basic characteristics of the image analysis. Through the above algorithm into the computer network cloud storage, cloud computing technology to achieve the application of face recognition. This article will through image analysis for the algorithm's function deployment, and spinning, the image using intelligent face recognition software, classification, work function test. The experimental results show that the cloud computing system can achieve higher accuracy and adaptability to the current face recognition and classification by using the cloud computing technology.

cloud computing environment; facial expression recognition; feature extraction

2016-12-03；

2017-01-05。

謝文達(1979-)，男，廣東陽江人，碩士研究生，副教授，主要從事計算機應用虛擬現實方向的研究。

1671-4598(2017)05-0162-03

10.16526/j.cnki.11-4762/tp.2017.05.045

TP391

A