基于深度學習的面部表情識別分析

劉宣彤

摘?要：在“互聯網+”技術的發展推動下，人臉識別技術也逐漸趨于成熟，但是面部表情識別技術作為難點技術，尚未被有效攻克，如果將面部表情識別技術與物聯網技術相結合，則會賦予計算機以人類的感情，有利于物聯網時代的開啟。本文通過對面部表情識別方法進行分析，希望對促進面部表情識別技術的發展有所幫助。

關鍵詞：深度學習;面部表情;識別

面部表情是一種人類特有的情感表達方式，也是分析人類情感和行為的重要依據，在“互聯網+技術”和人工智能技術發展的背景下，面部表情識別技術已經成為人們重點關注的話題，并出現了多種識別方法。伴隨著芯片處理能力的不斷加強，研究人員已經將目光轉向深度學習，已經取得了初步的成效。因此，對基于深度學習的面部表情識別進行研究，具有十分重要的意義。

一、深度學習

深度學習指的是在多層神經網絡上，應用不同種類的機器學習算法，對圖像、文本等問題進行解決的算法集合。[1]基于深度學習，計算機可以對數據結構進行發現和調整，并依據前一個圖層的表示，對每個圖層表示進行計算。深度學習最顯著的特點就是特征學習，其目的在于獲取分層特征信息，以此來解決傳統特征提取方法存在的問題。深度學習就是所謂的深度神經網絡訓練，伴隨著硬件處理能力的不斷提升，重新成為了相關領域重點關注的內容。

二、基于深度學習的面部表情識別分析

（一）面部表情圖像預處理

預處理是面部表情識別的重要步驟，其主要目的在于排除干擾特征提取的各項因素，例如：環境、姿勢和背景等，在干擾排除后，讓人類面部表情直接與系統相對接，促使面部特征對應的語義位置準確無誤。實現預處理的方法有以下幾種：一是人臉檢測;二是人臉對齊;三是數據增強;四是人臉歸一。

1.人臉檢測

人臉檢測主要是對人類的面部進行檢測，在檢測的同時，排除干擾因素和其他區域。傳統的人臉檢測方法主要由人工操作完成，工作人員會利用專業的設備完成這項工作，但是這種檢測方法，無法有效克服環境因素的干擾，檢測效果十分有限。而隱馬爾可夫人臉檢測器應用效果卻十分顯著，取得了廣泛的應用。在深度學習階段，又出現了一系列先進的人臉檢測器，不僅工作效率高，還能應對各種干擾因素的影響。目前，級聯結構的卷積神經網絡的應用，使人臉檢測性能得到顯著增強。

2.人臉對齊

為進一步強化人臉檢測的效果，人臉對齊技術應運而生，人臉對齊好比在一個已經設置好固定點位的系統中，對這些固定點進行搜索，繼而構成人臉的形狀。人臉對齊首先會由一個大致的形狀開始，然后不斷對人臉形狀進行細化和估計。[2]在搜索點的過程中，需要使用以下兩種信息：一是人臉外觀;二是人臉形狀。形狀是指為搜索提供一個大致的范圍，目前使用最為廣泛的方法是IntraFacc軟件。

3.數據增強

深度學習雖然效果十分顯著，但對于數據的要求十分嚴格，只有確保數據量的充足有效，才能強化工作效果。但是現階段常用的FER數據集，卻無法完全滿足深度學習對數據的要求，繼而會導致過擬合現象的發生。因此，數據增強成為了保證面部表情識別有效性的重要步驟。目前，應用效果顯著的數據增強方法有以下幾種：一是旋轉反射變換法;二是縮放變換法;三是尺度變換法;四是對比度變換法;五是顏色變化法。這些數據增強方法的應用，促進了面部表情識別技術的發展。

4.人臉歸一化

由于燈光和頭部姿勢的變化，會對面部表情識別效果造成直接的影響，因此，應用人臉歸一化方法，消除這些變化的對識別效果的影響十分關鍵。常用的人臉歸一化方法為兩種：一是灰度歸一化;二是幾何歸一化。增加圖像的亮度，凸顯圖像的細節，消除外界環境因素對圖像的干擾，是灰度歸一化的主要功能。除了增加亮度功能之外，灰度歸一化還可以調整對比度。對比度調整方法包括直方圖均衡化、IS歸一化、DCT歸一化和高斯歸一化法等。在這些方法中，比較適用于深度學習面部表情識別的方法為直方圖均衡化，究其原因，主要是這種方法較為穩定，契合于網絡模型。幾何歸一化的功能是生成面部視圖，但現階段，該方法的發展還不完善，尚存在一定的不足。

（二）基于序列特征的方法

基于序列特征的方法主要有兩種：一種是光流法;另一種是模型法。其中光流法是指幀在變化過程中會凸顯出來一些重要的特征信息，在明確圖像序列目標的構造的基礎上，對目標的形變和圖像顏色在空間和時間上的變化情況進行把握，這種動態化序列特征提取，應用范圍十分廣泛。而模型法是指利用模型對人的面部進行追蹤，并將通過追蹤獲取的模型和幀圖像信息作為依據，對人的面部表情進行有效的識別。

（三）深度卷積神經網絡

深度神經網絡已經被廣泛應用于視覺對象識別任務之中，它能夠使神經網絡的大數據處理能力得到顯著提升，其方法是在神經網絡內構建一個與人類大腦相似的學習結構。這個學習結構可以對一些多級表示和抽象進行學習，從而賦予計算法在聲音、文字和圖像中找到復雜模式的能力。研究人員在2012年發現將自動編碼器應用于CNN之中，做逐層訓練，可以對高層次的網絡進行訓練，但經過繼續研究，發現初始化策略的效果要優于逐層訓練，因而提出了批量歸一化方法，這一方法的使用，促進了深層網絡的發展，從而使深層學習面部表情識別成為了可能。

三、結論

綜上所述，面部表情識別具有非常高的實用價值和商業價值。如今，對于面部表情識別的研究正在不斷進行，在此期間，產生了多種方法和結構。通過對這些方法進行分析，有利于加深我們對面部表情識別的理解。

參考文獻：

[1]陸嘉慧，張樹美，趙俊莉.基于深度學習的面部表情識別研究[J].計算機應用研究，1-8[2019-03-07].

[2]夏晨.基于視頻序列的人臉表情識別方法研究[D].合肥工業大學，2018.