表情識別演算法

① 人臉識別主板包含哪幾項技術

是運用人臉識別支付系統進行支付，支付時面對POS機屏幕上的攝像頭，系統會自動將消費者面部信息與個人賬戶相關聯，使人們的生活更加便捷。

② 可鑒別的多特徵聯合稀疏表示人臉表情識別方法

基於稀疏表示的人臉表情識別系統研究

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2015）25-0137-03
人臉的表情包含了人體行為的情感信息和心理信息，這是人們在進行非語言的交流時所採取最有效的手段。人們可以根據表情來充分地將自己的思想以及情感表達出來，同時根據人臉表情來對對方內心世界和對方的態度來加以了解，所以說人臉的表情在日常生活當中扮演著極為重要的角色。表情能夠將很多的語言以及聲音不能夠表達出來的信息給表達出來，其在醫療和語言學以及相關的服務行業中都在發揮著極為重要的作用。
1 人臉表情識別的技術現狀
1.1 提取人臉表情特徵
由於提取人臉表情特徵採取的圖像類型不一樣，對此我們可以將其分成靜態表情的圖像特徵進行提取以及序列表情的圖像特徵進行提取這兩種。第一種提取的是表情靜止時的特徵，第二種提取的是表情在運動過程中的特徵，對於第一種的提取方法一般為Gabor小波，主成份分析（PCA）以及線性的判斷分析（LDA）等的方法；而針對與第二種的提取方法有特徵點跟蹤，查分圖像法以及光流法等。
1）提取靜態的表情特徵的常用方法
PCA主要是用在抽取原始特徵以及降維，這種方法運算的中心思想是把二維的圖像轉為一維向量，根據從大到小的排列順序對特徵值以及特徵向量加以調整，並且通過K-L的變換投影獲得正交基，對其加以取捨進而得到人臉的表情特徵其子空間。其實際上識別表情的過程就是把測試的樣本進行比較投影進表情特徵的子空間里，之後再將其跟測試的樣本加以比較判定出它的表情類別。Gabor小波這種方法是現在我們比較常用的一種表示特徵的方法，它能夠有效地將環境噪音加以清除，使提取的圖像特徵有效加強，主要是通過圖像在不同方向不同尺度上的頻率信息對圖像的特徵加以表明。
2）提取變動的表情特徵常用的方法
對於序列圖像特徵加以提取的代表性方法就是光流法。這種方法在1981年被第一次提出，主要是根據對視頻圖像里的表情特徵光流加以計算進而得到每一個特徵點的運動情況，這就是表情特徵。
第一種提取特徵的方法它採集較方便，計算更快捷，但是不能夠對更大時間和空間信息加以探知。而第二種提取特徵的方法雖可以對運動的表情信息加以提取，進而使得到的識別效果較好，但這種方法其計算的數據量較龐大，且具有很高的重復率，實際的操作當中比較困難。因此從目前來看，提取表情特徵應該朝著將各種提取方法相互融合來對信息加以特徵提取。
1.2傳統的人臉表情識別系統中存在的問題
對於人類表情識別的研究中可以依據人類對不同的表情加以區別上獲得啟發，但運用計算機的視覺技術准確地對人臉表情進行識別的系統，實際運用中還有很多難題。
1） 不容易建立起理想的人臉表情相關模型
因為人臉是比較柔的，所以把人的表情和情感進行分類，在此基礎上再建立一個模型，把人類的表情特徵以及情感信息再相對應這就顯得十分的困難。
2）表情資料庫不完善
現在很多研究的實驗結果都是在各自研究團隊里研發出來的表情資料庫的基礎上得到的，我們知道每一個表情庫由於噪音或者是光照等環境方面的影響都各不相同，再加上每個表情庫里的人臉圖像在文化，種族當中都存在著比較大的區別，所以實驗的結果應該多次加以重復驗證，增加推廣能力。
3）學科方法和技術有自身的局限性
盡管我們在對人臉識別的系統中研究工作正在逐步加深，得到了很大的進步，但因為很多的研究者都是自己展開工作，在新技術和新方法將優點充分發揮出來的同時也不可避免地有著自身的局限性，多種技術相互融合上面的工作開展得還比較慢。
2 提取改進LBP的人臉表情特徵
局部二元模式（LBP）指的是一個能描述運算元的有效圖像紋理特徵，根據存在於圖像中的任意一點和它相鄰那點的灰度值中發生的大小關系來判定圖像中部分紋理空間構造，從這方面上來看，它有旋轉和抗亮度變化的能力。
2.1 原始的LBP運算元
LBP一開始先將圖像中各個像素點之間的灰度值加以計算，將在各個像素點和跟她相鄰的點存在於灰度值上的二值關系加以計算，根據計算後得出的二指關系根據相應規則來形成局部二值的模式，同時將多區域的直方圖序列當做這個圖像的一個二值模式。

圖1 基本的LBP運算元計算的過程
一個基本的LBP運算元應該是上圖1所示那樣，將其定義成3*3的窗口，有8個鄰域的像素點，把窗口中心點的灰度值對窗口內的像素點其灰度值執行二值化，再依據不同的像素點位置來加權求和，進而得到這個窗口LBP編碼值。
2.2 改進的LBP運算元
從上面我們可以知道原始的演算法自身紋理描述力是很強的，但在特定的局域內，原始LBP運算元只考慮到了存在於中心像素點跟鄰域的像素點之間灰度值的差異，把中心像素點作用以及鄰域像素點其灰度值之間的互相關系忽略掉了，因而造成在某些情況下把局部的結構特點信息有所忽略。如下圖2就是某種特定的情況。圖2 原始的LBP運算元在特定情形中的編碼
圖2中所產生的11111111主要是對暗點以及會讀平坦的區域進行檢測，可以說是特徵檢測器。我們在此基礎上，對原始的LBP運算元進行改進，根據使一位二值編碼增加的方式來加以擴展，提出了多重心化的二值模式也就是MLBP，具體的改進過程如圖3所示。

圖3 改進的LBP運算元計算的過程（P=8、R=1）
由圖3中獲得的兩個8位子編碼將其當做獨立的兩 個MLBP的自編碼，繼而對所有模式直方圖加以計算，根據這個直方圖來加以分類或者是識別。LBP具體的演算法公式如下：

在這當中，N，R分別表示的是臨域點的個數和半徑，gc表示的是像素點，gn表示的是它的臨域點。根據這個改進的MLBP運算元我們可以看出，它根據使一位二值的編碼增加的形式，在將原始LBP運算元的優勢得到保持前提下，將中心像素點作用和鄰域像素點二者間灰度值的關系又加以利用。跟原始的相比，改進的運算元並沒有時特徵模式有所增加，而且還可以將原始的運算元中沒有考慮到的中心像素點和鄰域像素點灰度值間關系產生的結構特點提取出來，讓其鑒別能力得到提高。
3 人臉識別系統的設計
3.1 系統構成
該系統主要是被硬體平台以及軟體開發的平台這兩部分構成。硬體平台指的就是那些採集圖像的設備和計算機系統，而軟體開發的平台就是本文中所描述到的在上述所說的演算法中改進開發出來的一種人臉識別的系統。
3.2 系統軟體
系統軟體的構造。系統軟體可以劃分成以下兩個部分。首先是獲取圖像，當進入到主界面中時，點擊打開圖像或者是打開視頻，系統初始化的硬體設備能夠根據直接打開的靜態表情圖像或者是視頻等，來對人臉表情圖像進行獲取並將圖像顯示出來，之後再對人臉開始進行檢測和定位。其次，就是提取相應的表情特徵並對其進行識別。
下面為了對該系統在進行識別表情時的效果進行驗證，本文進行了幾組對比實驗。先將Gabor跟采樣降維相結合的特徵提取方式下得出的不同分類器效果加以比較，再將該系統下的分類跟其他的分類器效果進行比較。具體如下圖4所示。

圖4 不同的分類器下表情識別比較圖
在圖4中，橫坐標1-7分別表示的是生氣、厭惡、恐懼、高興和瓶頸、傷心以及驚奇，數字8表示的是所有的表情。
結論：
根據圖4我們可看出，在特徵提取條件相同情況下，整體實驗數據中稀疏表示明顯比另兩種分類型的性能要好，而且BP神經網路分類效果也非常良好，但是最近鄰之間的分類器的精準度沒有前兩種表現得好。
該文中運用的這種提取特徵方法的效果明顯比Gabor跟采樣降維相結合的方法效果要好。
上面進行的對比實驗，充分驗證了本文中的分類系統的優越感。下面跟文獻中已經有的方案進行對比，具體如下圖5所示。
[不同人臉表情識別方法＼&識別率＼&Gabor+彈性模板匹配[5]＼&80%＼&特徵塊PCA+最近鄰分析器[8]＼&75.45%＼&本文方法＼&85.71%＼&]
圖5 跟文獻中含有的方案進行比較效果
根據圖5所示，我們可以看出，跟其他文獻中採用的方法來看，本文採用的方法在表情識別上有著明顯的優勢。具體的我們還可以從下圖6的人臉表情識別界面中看到本文中設計的人臉識別系統具體應用情況。

圖6 人臉表情識別的界面
3.3簡析人臉識別演算法
1）優點
這種演算法將以前在迭代過程中的迭矩陣計算大大簡化，而且在識別的速度上也得到了有效的提升，能跟隨光照的變化進行有效的識別，對人臉進行識別的主要困難就是遮擋、單樣本等這些問題，而稀疏表示在這些問題的前提下仍然能具備潛在的發展力，我們可以進一步對其加以研究，這也是現在研究的一個重點方向。
2） 缺點
在上面實驗中我們發現其分類器表現出了良好的使用效果，但這種演算法也存在著一些不足之處，由於數據量不斷地增加，稀疏表示分類需要的時間也會隨之而增加。此外，這種表示方法雖然在速度上明顯優於其他，但是其產生的識別率並不是很高，也就是說不能准確地對表情進行有效識別。
4 展望人臉表情識別的系統
這種新型的對人臉表情加以識別的系統利於將人們的生活品質提高。當人們一旦從比較寒冷的地方或者是比較炎熱的地方回到室內時，可以根據這個表情識別的系統快速地把人們面部表情與最佳溫度中人臉表情相對比，進而讓空調自動把室內的溫度調轉至最佳。此外，在醫療行業中，可以將表情識別運用到電子護士護理中來。尤其是對於那些重症病人，在對其進行治療的過程中可以根據這個具有表情分析能力的機器人護士對病人實行實時的看管護理。除以上幾點外，在對兒童實行教育時也可以將其應用其中，可以根據兒童在某種情形下所產生的表情以及行為進行具體分析和觀察，有效挖掘他們潛在的氣質和能力，引導我們更好地對兒童實行教育，促進兒童的健康成長。
5 結語
綜上所述，對人臉表情加以識別是具有很大挑戰的新興課題，筆者主要對存在於人臉表情識別演算法中的問題進行了簡要的分析，並在此基礎上提出了改進的演算法進而提出了對人臉表情加以識別的系統。但從目前來看，我國關於人臉識別的系統研究當中還存在著一些問題，因此，對於我們來說將更加智能化的關於人臉表情識別的系統加以實現還是一個十分艱巨的任務，還需要我們不斷的努力。
參考文獻：
[1] 趙曉龍. 安防系統中的基於稀疏表示的人臉識別研究[D].西北大學，2014.
[2] 朱可. 基於稀疏表示的人臉表情識別[D].西北大學，2013.
[3] 萬川. 基於動態序列圖像的人臉表情識別系統理論與方法研究[D].吉林大學，2013.
[4] 歐陽琰. 面部表情識別方法的研究[D].華中科技大學，2013.
[5] 王哲偉. 基於稀疏表示殘差融合的人臉表情識別[D].五邑大學，2011.
[6] 張慕凡. 基於稀疏表示的人臉識別的應用研究[D].南京郵電大學，2014.
[7] 趙曉. 基於稀疏表示的人臉識別方法研究[D].北京工業大學，2013.
[8] 何玲麗. 基於核稀疏表示的人臉識別方法研究[D].湖南大學，2014.

③ 用VC++6.0和OpenCV實現人臉表情識別難么對於新手要多久能完成

你說的是動態表情識別還是靜態表情識別？如果是動態的，首先人臉表情的動態收集就夠你喝一壺的了，別說表情識別了。
如果是靜態的，只需要自己寫一些函數，把圖片收集到資料庫，對表情的一些特徵編寫函數就行了。這樣相對簡單一些，但也需要大量的圖片，這里需要的就是圖形界面化的知識了。對於一個不會MFC的新手，也很難。如果每天認真鑽研，靜態的要1個月吧

④ 基於深度學習的微表情識別對本科生有難度嗎

若是指，深度學習的微表情識別對本科生有難度嗎？視個人能力而定
相對於微表情檢測來說，微表情識別的難度要小一點。
微表情識別是指給定一個已經分割好的微表情片斷，通過某種演算法，識別該微表情的情緒種類（例如厭惡、悲傷、驚訝、憤怒、恐懼、快樂等）。如同三維動態表情識別一樣，其處理的對象是視頻片斷，而不只是單幅圖像。對其處理過程中，不僅要考慮空間上的模式，還要考慮時間上的模式。所以許多微表情識別的演算法都考慮了時空模式。

⑤ matlab PCA演算法 人臉表情識別 怎麼完成下列步驟（沒接觸過matlab）（網上下的資料不知道怎麼用）

（建議您還是先學習下matlab的用法。。否則即便這一步解決了後面還會有無窮的問題出現。）
從這幾句提示里看不出具體如何Select。建議看一下CreateDatabase函數的輸入參數，也許會有一些提示。

⑥ 騰訊人臉識別分幾步

騰訊的人臉識別有三個步驟，分別是輸入姓名和本人的身份證號，完成之後需要對人臉進行識別，在識別成功之後才可以進入應用或者游戲，而且騰訊官方還會不定期進行二次人臉識別，以防止他人冒用頂替本人進行登錄，希望您合理使用騰訊的人臉識別技術。

⑦ 人臉識別是怎麼組成的是怎麼運行的

很多人坐高鐵檢票時，會在檢票機上刷臉來認證自己的身份，亦或者是去超市買生活日用品結賬時，不想排長長的隊伍，最好的選擇就是刷臉結賬。這里提到的刷臉就運用到了華科雲人臉識別面部識別技術，很多人知道這項技術的存在，卻不知道如何實現的。面部識別系統，通常是由以下三個模塊組成，且由華科雲製造的人臉識別主板支撐運轉。三個模塊為：
1、面部檢測
面部檢測器是用來鎖定畫面中出現人的面部位置，如果有人的面部存在的話，就會返回含有這張面部信息的邊界框位置。
2、面部對齊
面部對齊的作用是先確定圖像中固定位置，然後進行面部圖像的縮放和裁剪。這個過程是需要一個固定的面部特徵檢測儀器來尋找面部特徵，通常是以2D對齊為主要形式，然後尋找最佳參考點來做仿射轉換。
3、面部匹配
在這個環節中，需要把獲取的面部信息與系統庫里的面部信息進行比較，從而產生相似度的分數，該分數就是為了確保是否為同一人。
單單有技術是無法支撐整個系統的運轉，這時就要提下華科雲製造的人臉識別主板。這塊主板作為除了技術外另一個核心點，是為了保證系統正常運轉，並實現各種功能支撐。不得不說，華科雲製造的硬體都是實打實的好用，就連他們解決出來的方案，也是比同行業的更好。

⑧ 楊國亮的學術成果

近三年在《計算機科學》、《計算機工程》、《北京科技大學學報》、《計算機應用》、國際會議ICNC』2006等期刊發表學術論文13篇，其中SCI檢索1篇，EI檢索3篇。
1．Yang Guo_Liang,Wang Zhi_Liang,Wang Guo_Jiang. Affective Computing Model Based on Emotional Psychology. Second International Conference, ICNC2006,Xi』an, China,2006,9, 251~260（SCI,EI,ISTP收錄）
2．楊國亮,王志良等.基於改進MMI的HMM訓練演算法及其在面部表情識別中的應用, 北京科技大學學報，2007,4, Vol.29(4)（中文核心，EI收錄）
3．楊國亮,王志良.圖像代數特徵在面部表情識別中的應用, 計算機工程,2006,32(2),(中文核心期刊，EI收錄)186~188
4．楊國亮,王志良,牟世堂,解侖,劉冀偉.一種改進的光流演算法,計算機工程,2006,32(15)(中文核心期刊，EI收錄)187-188
5．楊國亮,王志良等.一種改進HMM訓練演算法及其在面部表情識別中的應用,計算機科學,2006.11，33(11)（中文核心期刊）200~203
6．楊國亮,王志良,王國江,陳鋒軍. 基於非剛體運動光流演算法的面部表情識別, 計算機科學, 2007,3, Vol. 34(3)（中文核心期刊）
7．楊國亮,任金霞，王志良. 基於情緒心理學的情感建模研究. 計算機工程,2007，Vol.33(22)
8．楊國亮,王志良,任金霞.採用Adaboost演算法進行面部表情識別，計算機應用，2005,4，（中文核心期刊）946~948
9．楊國亮,王志良,任金霞.一種基於遺傳操作的聚類演算法,計算機應用,2003,12（中文核心期刊）109~201
10．楊國亮,於仲安.基於改進光流演算法和HMM的面部表情識別.微計算機信息,2008.1
11．楊國亮,王志良.面部表情識別研究進展,自動化技術與應用,2006,4,1~6
12．任金霞，楊國亮,王志良.基於Gabor變換和ADABOOST演算法的面部表情識別,微計算機信息，2007.4（中文核心期刊）
13．王國江,王志良,楊國亮,王玉潔,陳鋒軍. 人工情感研究綜述.計算機應用研究,（中文核心期刊）2006.11, 7～11

⑨ 我想用C++語言實現表情識別，有什麼推薦的演算法嗎

一般不考慮智能識別以及表情量比較少的話，可以依次給表情編號，類似關鍵字觸發，當用戶鍵入特定編號，系統自動就自動開啟執行編號查找，從而預輸出表情，確認就正式輸出。給你個提示，類似用switch，當用戶輸入編號符合預定的case，就輸出一次表情，用戶確認的時候再輸出一次。第一輸出可以用代碼實現彈窗，但不發送。第二次輸出直接輸出到對話框或者直接發送。當然你可以不用switch，只是舉個例子。實際設計演算法，不是兩三分鍾就能寫出來。只是談談我的想法，望採納。

⑩ 關於表情識別系統，用C++實現

能說清楚一點嗎，到底是個什麼效果的系統？