人臉情緒識別技術及運用分析

摘要：文章以人臉情緒識別技術的概述與發展歷程作為切入點，基于情緒類別劃分、數據集構建、分析模型構建、模型訓練以及識別分析等角度，對人臉情緒識別技術的主要研究方法進行了介紹，同時分析了現代社會人臉情緒識別技術的實踐應用方向，以期能為有關從業者提供參考。

關鍵詞：人臉識別；情緒分析；深度學習；實踐應用

doi：10.3969/J.ISSN.1672-7274.2024.05.021

中圖分類號：TP 391.41" " " " " 文獻標志碼：A" " " " " " 文章編碼：1672-7274（2024）05-00-03

Facial Emotion Recognition Technology and Its Application Analysis

JU Qiang， HU Zhaolong， WANG Yan

（Southern Branch of State Grid Corporation of China Customer Service Center， Nanjing 210000， China）

Abstract： The article takes an overview and development history of facial emotion recognition technology as a starting point， and introduces the main research methods of facial emotion recognition technology from the perspectives of emotion category classification， dataset construction， analysis model construction， model training， and recognition analysis. At the same time， it analyzes the practical application direction of modern facial emotion recognition technology， in order to provide reference for relevant practitioners.

Keywords： facial recognition; emotional analysis; deep learning; practical application

1" "人臉情緒識別技術的概述與發展歷程

1.1 人臉情緒識別技術的概述

所謂人臉情緒識別技術，主要指的是借助圖像采集技術以及數據分析技術對人類表情進行分析、識別與統計的一種手段和策略。一般來說，在人類的正常溝通與交流過程中，面部狀態主要以生氣、幸福、驚訝、厭惡、傷心和害怕等6種基本表情為主。對表情變化進行記錄，能夠使情緒識別工作的開展得到較為直觀明確的參考，進而為人機交互設計邏輯提供更加規范化的指示[1]。

1.2 人臉情緒識別技術的發展歷程

1.2.1 人工輔助下的幾何結構識別

基于人臉表情進行的情緒識別研究最早起源于20世紀60年代。計算機領域相關技術人員將人臉幾何結構作為識別與情緒分析的主要來源，但在這一階段，受限于技術因素的影響，識別過程當中需要人工提供針對性輔助與支持，效率與準確性較低。

1.2.2 彈性圖匹配與自動識別

隨著技術的不斷發展以及識別算法的不斷進步，特征臉算法以及彈性圖匹配等相關技術手段于20世紀80～90年代逐漸進入到人臉情緒識別技術的實踐應用中，計算機系統逐漸實現了自動化高效辨識的要求，但在這一研究階段，人工輔助依然具備一定的必要性。

1.2.3 不同成像條件下的情緒識別

在人臉情緒識別技術的實踐應用過程中，受到技術因素以及成像條件的限制，系統能夠實時獲取到的情緒信息往往較為有限，使基于人臉表情狀態進行的情緒辨識與交互工作的開展陷入困境。20世紀90年代末期，人臉情緒識別技術實現了關鍵性突破，系統對于差異化成像條件的適應能力不斷提升，除了正面光線良好的人臉信息外，對于側視人臉或光照條件較為有限的人臉也能夠進行準確辨識，進而為情緒識別工作提供了相應的保障與發展動力。

2" "人臉情緒識別技術的主要研究方法

2.1 情緒類別劃分

為使人臉情緒識別技術的實踐應用更具針對性與有效性，在進行算法設計以及系統框架搭建之前，技術團隊以及工作人員應當從實際出發，針對人類溝通互動過程中所產生的情緒狀態以及情緒類別進行明確劃分，使相關自動化識別算法的運行更加有效，提升基于人臉進行的情緒辨識準確性。通常來說，在人臉表情所表現的情緒中，按照情感色彩的差異主要表現為積極情緒、中性情緒以及消極情緒三種[2]。其中，積極情緒涵蓋快樂、愉悅、欣喜、驕傲、享受、希望等，中性情緒主要涵蓋專注、驚訝、傾聽、理解、好奇等，消極情緒主要涵蓋無聊、疑慮、困惑、疲勞、恐懼、憤怒、悲傷、不屑、沮喪等?；谏鲜龌厩榫w類別，能夠對人類交互溝通過程中所面對的環境狀態以及環境特點做出分析和判斷，同時明確某一個體的情緒發展軌跡，為后續識別與分析工作的開展奠定更加堅實的基礎。

2.2 情緒數據集構建

2.2.1 數據采集

本次研究過程中，分別選用終端設備攝像頭以及網絡爬蟲這兩種主要方式對目標對象的表情狀態進行了采集，從而獲取到符合實際情況的人臉表情狀態。在數據采集過程中，需要遵循以下幾方面原則。首先，應避免數據噪聲對可研究性造成的影響。在數據信息采集的同時，需要組織有關人員針對人臉數據內容進行審核與優化，對不符合數據集建構要求的相關內容進行及時裁切與剔除，減少數據噪聲對于數據集應用價值所造成的影響。其次，應符合目標對象意愿，保障其個體隱私權。作為一項直接涉及對象個體隱私的研究內容，在進行人臉數據信息整合與采集之前，需要及時與目標對象進行溝通協調，取得目標同意才能進行下一采集環節，避免在數據集建設過程中出現相關法律風險。最后，相關數據采集工作還應當遵循隨機性原則。為使相關識別算法的訓練工作更加高效，應避免目標規律性數據對算法邏輯造成的影響。技術團隊可采用抽幀等技術方法對目標人臉信息進行隨機抽取。

2.2.2 預處理

在基于數據集的人臉情緒識別技術的應用過程中，如何保障情緒識別精度與分析質量已成為技術團隊以及工作人員需要面對的關鍵性挑戰。技術人員應針對數據集中的相關信息進行充分預處理，減少數據噪聲對于分析結果以及識別精度造成的影響。相關技術人員可分別采用歸一化以及灰度化等方式，針對人臉圖像的角度、色調等指標進行調整與控制，使系統能夠較為便捷地挖掘圖像信息當中的細節，最后，采用對比度調整等方式使人臉圖像中的相關細節信息能夠直觀反映到算法辨識結果中[3]。

2.2.3 標注分類

上文研究工作中涉及多種不同的情緒狀態，其按照情緒色彩特點進行劃分，可主要分為積極情緒、中性情緒以及消極情緒3種。按照一定算法對圖像信息進行標注與分類，能進一步提升分析模型的準確率與可靠性，使其特征學習能力得到進一步強化。為保障數據信息標注分類的有效性，相關技術團隊可基于SCN識別模型對人臉表情信息進行分類，按照上述情緒色彩標準對人臉信息數據進行分類，為分析模型的構建與訓練提供支持。

借助SCN識別模型，能夠有效減少不確定性數據對于分析模型應用效果的影響，使大規模數據的信度與效度都能夠得到相應保障。在基于識別模型進行類別劃分的過程中，技術團隊應當針對數據信息的重要程度進行重點關注，同時借助SCN模型進行標簽賦予，強化系統魯棒性。

2.3 分析模型構建

在針對人臉情緒識別分析模型進行構建的過程中，選用了多分支的深度可分離卷積模型進行搭建，同時在模型內部配置了關注模塊，使模型的分類精度達到了預期標準。數據集中的信息內容經處理過后，分別經過FirstConv模塊、特征學習模塊、Classfication模塊實現了智能化與自動化的類別劃分，同時針對不同維度以及不同形態的圖像信息進行了統一化處理，使人臉圖像能夠便于開展模型分析活動，保障了最終分析結果的有效性[4]。

在模型構建與運行過程中，分別應用到了卷積計算、特征交互、歸一化分析、均值統計等相關內容，使數據實現了標準化處理。

2.4 模型訓練

要進一步強化人臉情緒識別模型的準確性，需要技術團隊針對性組織開展模型訓練活動。本次研究過程中，數據集涵蓋了120個研究對象以及590個人臉表情圖像，同時在數據預處理以及分類過程中給定了相應的情緒標簽，分別涵蓋了積極情緒、中性情緒以及消極情緒等3個主要層次。將數據集當中相關內容投入到模型中，使模型對不同情緒表現狀態下面部表情的運動閾值進行了學習與感知，使模型的適應能力以及辨識準確性得到了相應提升。

2.5 識別與分析

經過分析夠發現，本次研究所述SCN情緒識別模型能夠以人臉運動情況為基礎和前提進行辨識與分析，進而能夠明確研究對象的情緒狀態以及表達狀態，在實踐應用過程中具備較為理想的效果以及較為廣泛的應用價值。

3" "人臉情緒識別技術的實踐應用

3.1 在線教育狀態分析

時代的發展以及互聯網技術的廣泛傳播，使得在線教育已成為教育體系的關鍵一環。借助在線教育渠道，能夠有效突破以往教育教學工作中時間因素以及空間因素造成的限制，有效拓展優質教育資源的覆蓋范圍，促進了教育事業的健康發展與進步。但受到在線教育形態與模式的影響，其與傳統的教育教學模式之間依然存在著一定的差異。教師與學生之間難以實現面對面的交流與互動，教師對學生學習狀態以及學習情緒的把握不夠直觀，導致在線教育教學方案的規劃與落實陷入困境，影響了在線教學工作的開展質量。

將人臉情緒識別技術予以引進，能夠讓教師充分掌握當前課堂教學工作的開展狀態，明確學生群體在學習過程中所表現出的情緒特征，同時能夠按照學生的需求變化以及狀態情況對課上的教育教學模式以及教學策略進行改革，有效提升在線教育活動的靈活程度，進一步強化在線教育工作的質量與水平。

3.2 人機交互系統設計

智能計算機技術的發展與應用對人機交互界面的規劃設計水平提出了一定的要求。作為直接影響用戶體驗以及智能產品市場占有率的關鍵性因素，加強人機交互系統設計具有至關重要的作用和價值。借助人臉情緒識別技術，能夠讓智能計算機系統更加深刻直觀地掌握用戶的情緒狀態以及需求變化情況，提升計算機系統對用戶需求的理解與感知能力，提升系統運行效率。

借助卷積網絡相關理念對人臉情緒辨識系統進行規劃與設計，能夠讓計算機系統更加深入地實現與用戶個體之間的交流與互動，理解用戶給定的相關指令，同時從用戶的表情狀態獲取到用戶當前的情感表達特征，有效強化用戶與智能計算機之間的交互密度，提升情緒識別工作的準確性與可靠性[5]。

3.3 犯罪嫌疑人情緒分析

刑偵工作的開展同樣也得到了計算機技術以及智能化技術的大力支持。作為社會安全保障工作的關鍵一環，借助城市攝像頭，能夠及時掌握犯罪嫌疑人的形貌與體態特征，進而為后續的調查與抓捕工作提供參考依據。然而，受到環境條件等客觀因素的影響，在以往的犯罪監控工作開展過程當中，攝像頭所捕捉到的嫌疑人面部信息往往較為有限，對嫌疑人情緒狀態的評估與判斷可能會存在一定的偏差，對監控工作形成了一定的制約和影響。而將人臉情緒識別技術引入到犯罪嫌疑人情緒分析工作中，能夠更加直觀地掌握嫌疑人在監控圖像中的情緒狀態以及表達情況，強化公安機關對于犯罪嫌疑人情緒與特征的掌握力度，保障偵查抓捕工作的針對性。

在案發過后，犯罪嫌疑人往往會呈現出暴躁、焦慮、抑郁等情緒乃至心理狀態，這也是對案發現場相關人員作案可能性進行分析過程中涉及的重要排除手段，因此通過智能化與自動化技術手段，能夠針對特定周期、特定空間中嫌疑人的情緒變化進行實時捕捉，有效提升公安機關對于犯罪嫌疑人進行追蹤、識別與判斷的針對性與準確性，為偵查抓捕工作的順利開展提供保障。

3.4 心理治療與輔導

在現代社會的發展進程中，人們的生活與工作節奏往往較快，對于其心理狀態以及心理健康往往也形成了一定沖擊和影響，亟待開展心理診療與輔導工作。但在心理治療工作的開展過程中，掌握目標對象的情緒變化情況是提升心理治療效果、強化輔導質量的關鍵要素。相關從業者也可以將人臉情緒識別技術引進到心理治療與輔導等工作中，由計算機以及智能化手段針對診療對象的心理狀態以及情緒變化情況進行判斷與識別，進而為心理診療與輔導方案的構建與實施提供更加完備的參考依據以及積極的保障支持。

4" "結束語

綜上所述，在以往社會進程中對管理對象進行情緒分析以及識別工作存在較大的難度。相關技術團隊以及管理部門應明確人臉情緒識別工作的基本流程、應用要求乃至相關注意事項，針對性強化人臉情緒識別的應用水平以及應用效果，為提升情緒識別精度，保障識別效果奠定技術基礎。

參考文獻

[1] 祝凱，謝文策，高詩茹，等．基于罪犯情感分析的人臉情緒識別技術的研究[J]．中國新通信，2022，24（21）：113-115．

[2] 姜冰，王慧瑩，陳晨，等．基于AlexNet卷積神經網絡的人臉情緒識別技術研究[J]．電腦知識與技術，2022，18（27）：24-26．

[3] 楊林，侯俊科．基于人工智能的情緒識別系統綜述[J]．網絡安全技術與應用，2022（4）：59-60.

[4] 陳加敏，徐楊．注意力金字塔卷積殘差網絡的表情識別[J]．計算機工程與應用，2022，58（22）：123-131．

[5] 李星燃，張立言，姚樹婧．結合特征融合和注意力機制的微表情識別方法[J]．計算機科學，2022，49（2）：4-11．