人脸微表情识别综述

人脸表情是人际交往的重要渠道,识别人脸表情可促进对人心理状态和情感的理解.不同于常规的人脸表情,微表情是一种特殊的面部微小动作,可以作为判断人主观情绪的重要依据,在公共安防和心理治疗领域有广泛的应用价值.由于微表情具有动作幅度小、持续时间短的特点,对微表情的人工识别需要专业的培训,且识别正确率较低.近年来不少研究人员开始利用计算机视觉技术自动识别微表情,极大地提高了微表情的应用可行性.本文综述人脸微表情识别的定义和研究现状,总结微表情识别中的一些关键技术,探讨潜在的问题和可能的研究方向.     

人机交互中的人脸表情识别研究进展

随着人机交互与情感计算技术的快速发展,人脸表情识别已成为人们研究的热点。为了阐明人机交互中人脸表情识别的研究方向及进展,该文从人脸表情数据库、表情特征提取、表情分类方法、鲁棒的表情识别、精细的表情识别、混合表情识别、非基本表情识别等方面对人脸表情识别的研究现状进行了分析。最后总结了人脸表情识别研究的热点及趋势,同时指出了人脸表情识别研究存在的局限性,并对人脸表情识别的发展进行了展望。     

面部表情识别研究进展

面部表情识别是计算机视觉中一个具有挑战性的课题,该文对国内外面部表情识别做了系统综述与比较,分析了面部表情识别目前存在的问题,并对今后发展提出了几点思考.     

人脸疼痛表情识别综述

自动疼痛识别技术在医疗保健,特别是在对无法用语言表达疼痛的病人的治疗和护理中具有广泛的应用前景,因此逐步受到研究者的关注。由于人的面部线索是很重要的疼痛评估依据,并且基于计算机视觉技术的人脸表情识别研究已取得很大进展,因此利用面部表情信息实现自动疼痛识别成为了一条有效的途径。本文首先简要介绍了目前常用的STOIC表情数据库、 婴儿疼痛表情分类（COPE）数据库、UNBC-McMaster肩部疼痛数据库和BioVid热疼痛数据库,然后从静态图像疼痛表情识别、视频序列疼痛表情识别、特定人物疼痛识别以及多信息融合疼痛识别4个方面对近10年的疼痛表情识别主要方法进行了详细 的介绍,最后对目前人脸疼痛表情识别现状进行总结和分析,并阐述了其存在的挑战和未来的发展方向。     

人脸表情识别研究的新进展

人脸表情识别（facial expression recognition,简称FER）作为智能化人机交互技术中的一个重要组成部分,近年来得到了广泛的关注,涌现出许多新方法.本文综述了国内外近4年人脸表情识别（FER）技术的最新发展.首先,介绍了FER系统的组成：人脸检测、表情特征提取和表情分类,并详细叙述了其中表情特征提取和表情分类的方法.然后,对目前广泛应用的人脸表情数据库进行了介绍,并在此基础上对当前一些FER系统的性能进行了比较分析.最后,对FER领域的研究现状和挑战给予了评述,对FER可能的发展方向进行了讨论.     

基于关键点指引的面部表情识别

面部表情是一种最自然、最有力、最直接地传递人类情感状态以及意图的方式,机器对于面部表情的识别在人机交互和数据驱动动画等存在广泛应用。为了应对真实世界中遮挡、光照、姿态等复杂变化的挑战,论文提出一种基于关键点指引的面部表情识别网络（LGFER-T）,整个网络由LGFER以及Transformer两部分构成。LGFER依据面部关键点的指引,使用可变形卷积针对性的提取静态图片空间特征,然后使用Transformer进一步关联时序特征,最后进行表情的识别分类。论文分别在面部表情静态图片数据集SFEW以及视频数据集AFEW上验证方法的有效性。大量的实验表明,单纯使用关键点指引的空间特征提取网络LGFER在SFEW数据集上面部表情识别准确率达到59.17%。通过与Transformer的结合,LGFER-T在视频数据集AFEW上准确率达到了51.96%。论文提出的方法在静态图片以及视频数据集上都处于领先水平。     

表情识别特征提取方法的比较研究

随着认知心理学和人工智能技术的不断发展,人脸面部表情识别技术越来越受到重视。本研究首先介绍了表情识别研究的发展过程及识别过程包括的四个部分,然后重点阐述了表情识别过程中特征提取的不同研究方法,最后对各种研究方法进行了比较,进而展望了表情识别研究的发展方向。     

面部表情的深度卷积级联森林识别

面部表情识别广泛应用于各种研究领域,针对面部表情识别使用深度神经网络方法结构复杂、可解释性差和传统机器学习方法特征提取缺乏多样性、识别率低的问题.提出了一种新的深度卷积级联森林(Deep Convolution Cascade Forest,DCCF)方法用于人脸面部表情识别,该方法通过卷积神经网络深度学习人脸面部显著...     

遮挡人脸表情识别深度学习方法研究进展

在真实环境下遮挡是准确分析识别人脸表情的主要障碍之一。近年来研究者采用深度学习技术解决遮挡条件下表情误识别率高的问题。针对遮挡表情识别的深度学习算法和遮挡相关的问题进行归纳总结。首先,概括局部遮挡条件下表情识别的发展现状、表情的表示方式以及研究遮挡表情用到的数据集;其次,回顾遮挡表情识别深度学习方法的最新进展和分析遮挡对表情的影响;最后,总结主要技术挑战,研究难点及其可能的应对策略。目的是为将来的遮挡表情识别研究提供更有益的参考依据和基准。     

深度人脸表情识别研究进展

随着人脸表情识别任务逐渐从实验室受控环境转移至具有挑战性的真实世界环境,在深度学习技术的迅猛发展下,深度神经网络能够学习出具有判别能力的特征,逐渐应用于自动人脸表情识别任务。目前的深度人脸表情识别系统致力于解决以下两个问题：1）由于缺乏足量训练数据导致的过拟合问题;2）真实世界环境下其他与表情无关因素变量（例如光照、头部姿态和身份特征）带来的干扰问题。本文首先对近十年深度人脸表情识别方法的研究现状以及相关人脸表情数据库的发展进行概括。然后,将目前基于深度学习的人脸表情识别方法分为两类：静态人脸表情识别和动态人脸表情识别,并对这两类方法分别进行介绍和综述。针对目前领域内先进的深度表情识别算法,对其在常见表情数据库上的性能进行了对比并详细分析了各类算法的优缺点。最后本文对该领域的未来研究方向和机遇挑战进行了总结和展望：考虑到表情本质上是面部肌肉运动的动态活动,基于动态序列的深度表情识别网络往往能够取得比静态表情识别网络更好的识别效果。此外,结合其他表情模型如面部动作单元模型以及其他多媒体模态,如音频模态和人体生理信息能够将表情识别拓展到更具有实际应用价值的场景。     

TP-FER：基于优化卷积神经网络的三通道人脸表情识别方法

针对人脸五官在表达不同情绪时所起的作用不同,利用单一的卷积神经网络对人脸面部特征进行特征提取和表情识别可能会导致提取表情关键特征信息时聚焦性不够,而仅对眼部或者嘴部等重点部位进行特征提取,又有可能造成特征提取不够充分的问题,提出了一种基于优化卷积神经网络的三通道人脸表情识别方法TP-FER(tri-path networks for facial expression recognition).该方法基于构建的卷积神经网络训练,采用三个输入渠道,分别聚焦面部、眼部和嘴部区域进行特征提取和表情判别,最后采用基于决策层的融合技术将三个渠道的识别结果进行相对多数投票决策,获取整体最优识别率.将此方法应用于JCK+数据集和自建数据集上进行了实验判别分析,结果表明该方法在两个数据集上均提高了整体表情识别率.该方法既考虑了脸部整体特征的提取,又兼顾了某些表情主要聚焦在眼部、嘴部表达的特性,相互辅助,整体提高了表情的识别率;该方法也能对神经心理学研究提供数据支持.     

基于面部结构的表情识别

心理学上的研究表明,面部表情变化主要集中在眼睛、眉毛、鼻子、嘴巴等面部器官上.受其启发,提出一种基于面部结构的表情识别方法,重点分析眼睛、眉毛、鼻子、嘴巴等关键区域的联动变化来分析表情.首先,使用鲁棒的判别响应图拟合(discriminative response map fitting,DRMF)方法自动检测出对识别人脸表情最为关键的局部人脸区域,即眼睛、眉毛、鼻子和嘴巴的部分;然后从这些关键部分中提取Haar特征;最后采用Boosting学习和联动机制,学习得到基于联合Haar特征的表情分类器.在CMU表情数据库和JAFFE表情数据库上的实验结果表明了上述方法的良好性能,即基于面部构件识别表情的方法获得了与手工精准标注人脸面部构件识别表情方法相近的识别效果.     

鲁棒的正则化编码随机遮挡表情识别

为了提高随机遮挡下人脸表情的识别率,提出一种新的人脸表示模型,即鲁棒的正则化编码,通过正则回归系数对给定信号进行鲁棒回归。首先,为了减少遮挡对人脸表情识别系统的影响,待识别表情图像的每个像素点将被分配不同的权重;然后,由于被遮挡部分像素点应分配较小的值,通过连续迭代直到权重收敛于设定的权重阈值;最后,待测图像的稀疏表示将通过最优权重矩阵计算,且待测表情图像分类结果由训练样本逼近待测图像的最小残差决定。应用该方法在日本的JAFFE表情数据库和Cohn-Kanade数据库上取得较理想的结果,且实验结果表明该方法对随机遮挡表情识别具有鲁棒性。     

人脸样貌独立判别的协作表情识别算法

为了降低样貌、姿态、眼镜以及表情定义不统一等因素对人脸表情识别的影响,提出一种人脸样貌独立判别的协作表情识别算法。首先,采用自动的人脸检测算法定位、对齐视频每帧的人脸区域,并从人脸视频序列中选择峰值表情的人脸;然后,采用峰值人脸与某个表情类内的所有人脸产生表情类内差异人脸信息,并通过计算峰值表情人脸与表情类内差异人脸的差异信息获得协作的表情表示;最终,采用基于稀疏的分类器与表情表示决定每个人脸表情的标签。采用欧美与亚洲人脸的数据库进行仿真实验,结果表明本算法获得了较好的表情识别准确率,对不同样貌、佩戴眼镜的人脸样本也具有较好的识别效果。     

Recognising facial expressions in video sequences

We introduce a system that processes a sequence of images of a front-facing human face and recognises a set of facial expressions. We use an efficient appearance-based face tracker to locate the face in the image sequence and estimate the deformation of its non-rigid components. The tracker works in real time. It is robust to strong illumination changes and factors out changes in appearance caused by illumination from changes due to face deformation. We adopt a model-based approach for facial expression recognition. In our model, an image of a face is represented by a point in a deformation space. The variability of the classes of images associated with facial expressions is represented by a set of samples which model a low-dimensional manifold in the space of deformations. We introduce a probabilistic procedure based on a nearest-neighbour approach to combine the information provided by the incoming image sequence with the prior information stored in the expression manifold to compute a posterior probability associated with a facial expression. In the experiments conducted we show that this system is able to work in an unconstrained environment with strong changes in illumination and face location. It achieves an 89% recognition rate in a set of 333 sequences from the Cohn–Kanade database.     

一种基于降噪自编码器的人脸表情识别方法

针对传统人脸表情识别算法鲁棒性差,易受到人脸身份信息干扰的问题,本文在基于降噪自编码器的基础上,提出一种人脸表情识别算法。首先,从图片中检测出人脸部分,并进行尺度归一化处理;再构造堆栈式降噪自编码神经网络模型进行预训练;最后为了避免由训练样本不足容易造成的过拟合问题,在深度网络模型的全连接层采用了Dropout技术。实验结果在数据集CK 、JAFFE和Yale上均取得了较高的准确率,说明了该方法具有较强的鲁棒性和抗身份信息干扰的能力。     

基于面部表情识别的学习疲劳识别和干预方法

针对网络学习者经常出现的身体或心理上的疲劳或疲惫情绪状态即"学习疲劳"状态,提出了一种基于面部表情识别的学习疲劳识别和干预方法.考虑到网络学习的特点,定义了专注、疲劳和中性3种与学习相关的表情,利用一种基于肤色分割和模版匹配相结合的人脸检测算法检测出网络学习者的人脸区域,然后根据建立的人脸表情面部模型对学习者的面部特征进行提取,主要包括眼睛特征和嘴巴特征,最后采用基于规则的表情分类方法,识别出学习者是否处于学习疲劳状态,并采取相应的情感干预措施.实验结果表明,该方法能够快速识别网络学习者是否处于学习疲劳状态,实现实时学习疲劳干预.     

深度多尺度融合注意力残差人脸表情识别网络

针对人脸表情呈现方式多样化以及人脸表情识别易受光照、姿势、遮挡等非线性因素影响的问题,提出了一种深度多尺度融合注意力残差网络(deep multi-scale fusion attention residual network, DMFA-ResNet)。该模型基于ResNet-50残差网络,设计了新的注意力残差模块,由7个具有三条支路的注意残差学习单元构成,能够对输入图像进行并行多卷积操作,以获得多尺度特征,同时引入注意力机制,突出重点局部区域,有利于遮挡图像的特征学习。通过在注意力残差模块之间增加过渡层以去除冗余信息,简化网络复杂度,在保证感受野的情况下减少计算量,实现网络抗过拟合效果。在3组数据集上的实验结果表明,本文提出的算法均优于对比的其他先进方法。