連接卷積神經(jīng)網(wǎng)絡(luò)人臉表情識(shí)別算法

郭昕剛， 王 帥， 張培棟， 梁錦明

(長春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長春 130012)

0 引 言

面部表情是交流過程中的微妙信號(hào)，理解面部表情是理解溝通中的重要部分。近年來，在計(jì)算機(jī)視覺領(lǐng)域中,研究者從視頻或圖像中識(shí)別基本的人類表情以解決面部表情識(shí)別問題。部分研究從靜態(tài)圖像中識(shí)別面部表情，這種方法在提取空間信息方面是有效的，但卻不能很好地捕捉到空間信息表達(dá)過程中的形態(tài)學(xué)和語境變化。目前，表情識(shí)別方法主要是利用時(shí)間序列來解決，并且利用空間和時(shí)間變化提供更好的識(shí)別系統(tǒng)。基于深度學(xué)習(xí)的面部表情識(shí)別主要從預(yù)處理、深度特征學(xué)習(xí)和面部表情分類三個(gè)方面進(jìn)行不斷地優(yōu)化。在預(yù)處理中主要有人臉檢測、人臉對(duì)齊、數(shù)據(jù)增強(qiáng)、人臉歸一化等過程，MTCNN[1]人臉檢測算法以快速的檢測速度、高準(zhǔn)確率、模型小的特點(diǎn)受到廣大研究者的認(rèn)可，主流人臉對(duì)齊采用SDM[2]算法，人臉歸一化則主要有亮度歸一化和姿態(tài)歸一化。在深度特征學(xué)習(xí)中，主要是基于CNN的網(wǎng)絡(luò)模型，能夠達(dá)到特別高的特征表達(dá)能力。另外，有基于DBN網(wǎng)絡(luò)的特征提取，還有一部分是基于序列建模的RNNs。在面部表情分類中，可以基于深度學(xué)習(xí)，直接學(xué)習(xí)特征，預(yù)測概率，也可以把學(xué)習(xí)的深度特征用SVM等淺層分類器進(jìn)行分類。

讓計(jì)算機(jī)很好地識(shí)別人臉表情并不容易，其中存在兩個(gè)問題：

1)雖然目前人臉表情數(shù)據(jù)集很多且各式各樣，但是由于大部分?jǐn)?shù)據(jù)集的表情都是從某特定角度由攝像機(jī)拍攝下來的，并且表情圖像的數(shù)量也不多，因此訓(xùn)練出來的模型存在著一定的不確定性，對(duì)隨機(jī)的新數(shù)據(jù)泛化能力較弱，魯棒性很低；

2)傳統(tǒng)LeNet-5神經(jīng)網(wǎng)絡(luò)沒有考慮到低層次的細(xì)節(jié)特征，隨著網(wǎng)絡(luò)深度加深，會(huì)出現(xiàn)梯度消失或爆炸問題[3]。

文中提出基于興趣區(qū)域跨層連接LeNet-5神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別算法，基于興趣區(qū)域(ROI)思想對(duì)表情數(shù)據(jù)集做8種處理，再運(yùn)用跨層連接的方法改進(jìn)LeNet-5神經(jīng)網(wǎng)絡(luò)，將低層網(wǎng)絡(luò)特征也考慮在內(nèi)。實(shí)驗(yàn)仿真表明，該算法不僅提高了人臉表情識(shí)別的準(zhǔn)確率，還加強(qiáng)了訓(xùn)練模型的魯棒性。

1 相關(guān)工作

Kuo C M等[4]提出了一種基于圖像幀及圖像序列的表情識(shí)別架構(gòu)，在性能相當(dāng)?shù)那闆r下，極大減少了卷積核個(gè)數(shù)，緩解了實(shí)驗(yàn)參數(shù)存儲(chǔ)問題，運(yùn)用混合光照增強(qiáng)方案緩解了訓(xùn)練過程中的過擬合問題；Li M等[5]提出了一個(gè)深度卷積網(wǎng)絡(luò)模型，作為身份感知的人臉屬性轉(zhuǎn)換器，共有兩個(gè)階段，第一階段采用GAN的架構(gòu)完成圖片的轉(zhuǎn)換，第二階段分兩種不同屬性，對(duì)于轉(zhuǎn)換后的圖片進(jìn)一步加工增強(qiáng)，獲取最終屬性轉(zhuǎn)換圖片;Liu Y等[6]提出MPCNN網(wǎng)絡(luò)來充分利用有限的數(shù)據(jù)，對(duì)多角度的面部表情進(jìn)行識(shí)別，識(shí)別過程分為三步：

1)對(duì)于一張人臉圖像，先得到不同的面部區(qū)域和尺寸，利用訓(xùn)練好的多通道卷積網(wǎng)絡(luò)得到特征；

2)將特征輸入到多尺度融合網(wǎng)絡(luò)中得到組合的特征，該特征用于判斷角度；

3)根據(jù)已知的角度輸入到特定的表情網(wǎng)絡(luò)中，得到最終結(jié)果。

Khor H Q等[7]提出了一個(gè)豐富的長期遞歸卷積網(wǎng)絡(luò)(ELRCN)，該網(wǎng)絡(luò)首先通過CNN模塊將每個(gè)表情幀編碼成特征向量，然后將特征向量通過一個(gè)長-短期記憶(LSTM)模塊，最終得到較好的表情識(shí)別效果;Emambakhsh M等[8]用比較經(jīng)典的手動(dòng)特征加分類器方案，針對(duì)鼻子這類表情不變的部位展開分析，得到很好的表情魯棒識(shí)別結(jié)果;Yong Li等[9]提出一種基于視頻流的自監(jiān)督特征表達(dá)方法，通過利用巧妙的自監(jiān)督約束信號(hào)，得到提純的面部動(dòng)作特征用于表情識(shí)別。該方法能夠在不依賴面部動(dòng)作單元標(biāo)簽的前提下，從人臉視頻數(shù)據(jù)中自動(dòng)學(xué)習(xí)面部動(dòng)作單元表征，用于后續(xù)識(shí)別任務(wù)時(shí)，只需要利用訓(xùn)練數(shù)據(jù)訓(xùn)練一個(gè)分類器即可，顯著減少了所需的訓(xùn)練數(shù)據(jù)，并提升了模型的泛化能力;Xia B等[10]通過3D人臉研究了面部表情與性別的關(guān)系，證明了面部表情會(huì)影響3D面部中呈現(xiàn)的性別模式，在同一表達(dá)式中,訓(xùn)練和測試時(shí)性別識(shí)別性能會(huì)提高，該實(shí)驗(yàn)直接提取面部表情形成的形態(tài)變化作為特征，用于基于表達(dá)的性別識(shí)別；張琳琳等[11]將卷積神經(jīng)網(wǎng)絡(luò)的單通道全連接層改為雙通道,構(gòu)建并訓(xùn)練了一個(gè)新的雙通道卷積神經(jīng)網(wǎng)絡(luò)模型以增強(qiáng)模型的特征表達(dá)能力。

2 改良方法

由于大部分?jǐn)?shù)據(jù)集的表情都是從某特定角度由攝像機(jī)拍攝下來的，并且表情圖像的數(shù)量也不多，因此訓(xùn)練出來的模型存在一定的不確定性，對(duì)隨機(jī)的新數(shù)據(jù)泛化能力較弱，魯棒性很低，利用ROI區(qū)域來解決這個(gè)問題。

Xavier等[12]進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，為了增大訓(xùn)練數(shù)量，通過切割不同尺度區(qū)域，把一張圖片切割成多張圖片。文中在進(jìn)行訓(xùn)練時(shí)，吸取Xavier方法的精髓，剖析人臉生物學(xué)特點(diǎn)，專門針對(duì)要訓(xùn)練的人臉表情庫做了改進(jìn)，9個(gè)ROI區(qū)域如圖1所示。

首先，對(duì)人臉表情庫做了8種改進(jìn)處理，加上表情庫本身的數(shù)據(jù)，共9種不同的ROI區(qū)域。這些ROI區(qū)域都是通過一些常見手段處理的，包括切割、遮擋、鏡像、中心聚焦。在進(jìn)行設(shè)置ROI處理之前，需先進(jìn)行人臉識(shí)別檢測人臉，盡可能地用人臉填充整個(gè)圖像區(qū)域，以降低誤差。ROI設(shè)置方案的關(guān)鍵點(diǎn)是通過檢測眼睛、鼻子和嘴的變化識(shí)別人臉表情。

ROI方案還有一個(gè)特點(diǎn)就是使表情數(shù)量擴(kuò)大至9倍，減弱了因?yàn)楸砬閹斓谋砬閿?shù)量少帶來的問題，增強(qiáng)模型對(duì)人臉表情的泛化能力。這種擴(kuò)大的有效性在于不同的ROI區(qū)域之間存在聯(lián)系、相互補(bǔ)充，增強(qiáng)了預(yù)測目標(biāo)的信度。

傳統(tǒng)的LeNet-5網(wǎng)絡(luò)用來識(shí)別手寫數(shù)字，用在人臉表情識(shí)別上效果很不理想。這是由LeNet-5網(wǎng)絡(luò)本身的特點(diǎn)造成的，即從不同的卷積核中自行提取特征，使數(shù)據(jù)經(jīng)過簡單處理后送往高層網(wǎng)絡(luò)進(jìn)行分類識(shí)別。這種特點(diǎn)就使得低層次的特征被忽略，網(wǎng)絡(luò)不斷地進(jìn)行加深，困難度不斷提升，梯度消失或爆炸發(fā)生的可能大大提高。為了解決這個(gè)問題，跨層連接的結(jié)構(gòu)應(yīng)運(yùn)而生，如Srivastava等[13]提出Highway Networks結(jié)構(gòu)，這種結(jié)構(gòu)提供了一種門限機(jī)制，使得部分特征經(jīng)過處理通過網(wǎng)絡(luò)層，部分特征不處理直接通過網(wǎng)絡(luò)層。該結(jié)構(gòu)更容易優(yōu)化，并且在CIFAR-10數(shù)據(jù)集上表現(xiàn)優(yōu)于Romero等[14]提出的FitNets;He等[15]提出深度殘差網(wǎng)絡(luò)也是利用跨層連接的思想，不僅層數(shù)很多，而且在ImageNet和COCO等任務(wù)中表現(xiàn)很理想;Sun等[16]提出的PeepId網(wǎng)絡(luò)中,也將最后的池化層和卷積層與全連接層相連達(dá)到很好的效果。基于以上研究方法，文中將跨層連接的方法運(yùn)用在LeNet-5網(wǎng)絡(luò)上，使兩個(gè)池化層與全連接層結(jié)合起來組成新的結(jié)構(gòu)，如圖2所示。

網(wǎng)絡(luò)包括1個(gè)輸入層、3個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層和1個(gè)輸出層。Input層為輸入層，輸入的表情圖片像素為32×32。Layer1層為卷積層，該層有6個(gè)特征圖，輸入32×32像素圖片，分別與6個(gè)5×5像素的卷積核進(jìn)行卷積運(yùn)算，得到28×28像素的特征圖。Layer2層為池化層，28×28像素的特征圖經(jīng)過池化得到14×14像素的特征圖。Layer3層為卷積層，該層有16個(gè)特征圖，上層得到14×14像素的圖片，分別與16個(gè)5×5像素的卷積核進(jìn)行卷積運(yùn)算，得到10×10像素的特征圖。Layer4層為池化層，10×10像素的特征圖經(jīng)過池化得到5×5像素的特征圖。Layer5層為卷積層，該層有120個(gè)特征圖，上層得到5×5像素的圖片分別與120個(gè)5×5像素的卷積核進(jìn)行卷積運(yùn)算，得到1×1像素的特征圖。Layer6層為全連接層，共有84個(gè)單元。Output層為輸出層，輸出7種表情類型。

計(jì)算過程如下：

1)設(shè)卷積層輸入為X，

(5)

式中：x----輸入X中卷積區(qū)域M里的元素;

w----卷積核中的元素;

m，n----卷積核大小;

b----偏置;

f(·)----ReLU激活函數(shù)。

2)設(shè)池化層輸入為Y，

pool=down(max(yi,j)),i,j∈p

(6)

式中：y----池化層輸入Y中池化區(qū)域p中的元素;

down(·)----下采樣過程，保留最大值。

3)設(shè)全連接層輸入為Z，

full=f(w×z+b),

(7)

式中：z----輸入Z中的元素;

w----權(quán)值;

b----偏置;

f(·)----ReLU激活函數(shù)。

4)設(shè)輸出層輸入X，

(8)

式中：w----權(quán)值;

k----總類別數(shù)。

式(8)為Softmax分類器的假設(shè)函數(shù)，計(jì)算輸入分類為類別j時(shí)的概率。損失函數(shù)

(9)

式中：c{·}----示性函數(shù),c{值為真的表達(dá)式}=1，c{值為假的表達(dá)式}=0。

然后要進(jìn)行的是反向傳播，第一步先計(jì)算每一層反饋傳遞誤差

(10)

式中:°----矩陣乘法或向量乘法;

δ7----Output層的反饋傳遞誤差;

out----實(shí)際輸出;

y----目標(biāo)輸出;

δ6----Layer6層的反饋傳遞誤差;

w7----權(quán)值;

f′----ReLU激活函數(shù)導(dǎo)數(shù);

δ5----Layer5層的反饋傳遞誤差;

w6----權(quán)值，因?yàn)槭遣糠诌B接，故只有1 177≤i≤1 260是有效的;

δ4----Layer4層的反饋傳遞誤差;

w5----卷積核;

?----外卷積運(yùn)算;

δ3----Layer3層的反饋傳遞誤差;

up(·)----進(jìn)行上采樣;

δ2----Layer2層的反饋傳遞誤差，與Layer4層相似;

δ1----Layer1層的反饋傳遞誤差，與Layer3層相似。

權(quán)值和偏置的偏導(dǎo)數(shù)計(jì)算方法如下

(11)

式中：f6、f5、f4、f3、f2----分別為各層的特征圖;

⊙----內(nèi)卷積。

3 實(shí) 驗(yàn)

文中所有實(shí)驗(yàn)均在pycharm上實(shí)現(xiàn)。硬件平臺(tái)基于ubuntu 操作系統(tǒng)，GPU型號(hào)為GEFORCE GTX 1080 Ti。

3.1 表情數(shù)據(jù)集

實(shí)驗(yàn)使用的數(shù)據(jù)集為JAFFE數(shù)據(jù)集和CK+數(shù)據(jù)集。JAFFE數(shù)據(jù)集是日本九州大學(xué)建立的日本女性面部表情數(shù)據(jù)集，采用6種基本表情構(gòu)建，此數(shù)據(jù)集每種表情有3～4張，共有213張。列舉數(shù)據(jù)集中表情圖片如圖3所示。

CK+數(shù)據(jù)集是2010年基于Cohn-Kanda數(shù)據(jù)集擴(kuò)展而來的，其中包含了123個(gè)人的表情，共593個(gè)圖片序列。列舉數(shù)據(jù)集中表情圖片如圖4所示。

3.2 實(shí)驗(yàn)結(jié)果及分析

首先將數(shù)據(jù)集中的所有表情圖像進(jìn)行裁剪，大小統(tǒng)一為32×32像素。再將裁剪后的數(shù)據(jù)集復(fù)制一份，分為A份和B份。將B份數(shù)據(jù)集再根據(jù)本算法的ROI方案進(jìn)行處理。A份和B份中JAFFE數(shù)據(jù)集分為3份，其中2份作為訓(xùn)練集，1份作為測試集；CK+數(shù)據(jù)集分為5份，其中4份作為訓(xùn)練集，1份作為測試集。

將A份和B份數(shù)據(jù)集用LeNet-5網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，其中JAFFE數(shù)據(jù)集和CK+數(shù)據(jù)集的正確率結(jié)果見表1。

表1 LeNet-5網(wǎng)絡(luò)下A、B正確率對(duì)比 %

通過表1可以看出，在傳統(tǒng)LeNet-5網(wǎng)絡(luò)下，B份數(shù)據(jù)集因?yàn)榻?jīng)過ROI方案處理，正確率比A份高4%～5%。但是，無論是JAFFE數(shù)據(jù)集還是CK+數(shù)據(jù)集的正確率都不高，這是由于LeNet-5網(wǎng)絡(luò)自身特點(diǎn)造成的，LeNet-5網(wǎng)絡(luò)本身是用來訓(xùn)練手寫數(shù)字識(shí)別的，而表情圖片的特征比手寫數(shù)字圖片復(fù)雜的多，僅用高層網(wǎng)絡(luò)訓(xùn)練是不可行的。

將A份和B份數(shù)據(jù)集采用文中算法，即改進(jìn)后的LeNet-5網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，其中JAFFE數(shù)據(jù)集和CK+數(shù)據(jù)集的正確率結(jié)果分別見表2和表3。

表2 改進(jìn)網(wǎng)絡(luò)下JAFFE數(shù)據(jù)集正確率 %

表3 改進(jìn)網(wǎng)絡(luò)下CK+數(shù)據(jù)集正確率 %

實(shí)驗(yàn)結(jié)果表明，無論是JAFFE數(shù)據(jù)集還是CK+數(shù)據(jù)集，經(jīng)過改進(jìn)網(wǎng)絡(luò)之后正確率都得到顯著提高，因?yàn)楦倪M(jìn)網(wǎng)絡(luò)不僅考慮到低層次的特征，還對(duì)特征較復(fù)雜的表情圖像更為適合。比較A數(shù)據(jù)集與B數(shù)據(jù)集，發(fā)現(xiàn)經(jīng)過ROI方案處理后，B數(shù)據(jù)集得到的準(zhǔn)確率也有一定的提升。

4 結(jié) 語

卷積神經(jīng)網(wǎng)絡(luò)為人類在機(jī)器學(xué)習(xí)領(lǐng)域帶來巨大的價(jià)值，有力推動(dòng)了人工智能產(chǎn)業(yè)的發(fā)展。文中提出一種結(jié)合ROI與改進(jìn)的LeNet-5神經(jīng)網(wǎng)絡(luò)人臉表情識(shí)別算法，利用ROI感興趣區(qū)域方案和跨層連接的思想，解決了數(shù)據(jù)集弊端帶來的問題，同時(shí)解決了傳統(tǒng)LeNet-5網(wǎng)絡(luò)問題，提高了訓(xùn)練模型對(duì)新數(shù)據(jù)的泛化能力和魯棒性，達(dá)到了較好的面部表情識(shí)別效果。