基於膚色與人臉運動相結合的自動錶情識別演算法研究

0 引言

近年來，隨著計算機技術的日益提高，人臉實時識別系統發展很快，一般被廣泛運用在監管、檢索等相關領域^[1]。但在現階段，人臉識別技術依舊存在缺陷，在實際應用方面受到一定的限制。在人臉識別系統中，人臉檢測屬於重要的組成部分，因此檢測部分具有非常關鍵的作用，人臉檢測系統的檢測演算法非常多，可以歸納為兩大類：第一類檢測演算法是基於畫素特徵，而畫素特徵包括輪廓、膚色等；第二類檢測演算法是基於生物特徵，生物特徵包括影象中畫素間的微觀特徵，包括畫素的特徵矩陣、均值等，相應演算法包括神經網路、Ada Boost等^[2]。

人臉膚色與運動識別指的是在影象序列中，對某個人臉的膚色資訊、大小變化、運動軌跡的過程進行確定^[3]。基於運動資訊、膚色資訊的方法具有較快的實現速度，但膚色資訊要求的背景顏色分佈較嚴格，誤識現象較多，識別率較低，人臉運動資訊在跟蹤精度上還需要進一步提高^[4]

ADVERTISEMENT

。因此將基於運動資訊和基於膚色資訊的檢測識別方法結合起來，提高人臉膚色與運動識別相結合的自動錶情識別演算法的準確性，可滿足實際應用中的實時監控要求^[5]。本文主要基於膚色與人臉運動相結合的自動錶情，對其識別演算法進行了研究。

膚色是構成人臉資訊的要素，實際上，不同人的膚色表面上看起來都有一定的差別，但如果排除亮度等影響因素以後，膚色顯示出極高的聚類性，其色調基本一致^[6]。在RGB顏色空間當中，由於不存在特定亮度位數資訊，因此膚色不具備良好的類聚性，在進行膚色區域分割時具有較大難度。在YIQ顏色空間裡，膚色具有較高的類聚性，但也只在該顏色空間的第I維空間中進行類聚。這個現象說明，膚色分割的演算法計算量非常少，並且非常簡單，能夠滿足實時監測系統的速度要求。基於RGB顏色空間將影象轉換到YIQ顏色空間，轉換公式為：

膚色的提取過程分為3步：利用式(1)把影象從RGB顏色空間轉換到YIQ顏色空間；在YIQ中的第I維空間中提取影象資料資訊；設定合適的閾值分割出二值影象中的背景、膚色。

2 人臉表情特徵選取

2.1 基於GA演算法的人臉表情特徵選取

遺傳演算法的主要思想是達爾文生物進化論，通過對自然中生物進化過程的模擬，進行最優值的迭代搜尋，目前常用的GA演算法就是簡單遺傳演算法，即SGA。遺傳演算法是指通過迭代方法，對一個目標問題，搜尋得到能夠解決該問題的最優解。在對目標問題進行種群初始化過程中，可以基於該種群的基因編碼得到其個體。總的來說，種群個體實際上屬於實體，而這部分實體都帶有染色體特徵。染色體承載著遺傳物質，是由很多基因共同組成的，因此也是通過某種基因組合表現出來的，個體的外部表現則由該基因組合所決定。在染色體中，頭髮顏色由某種基因組合決定。因而，對基因進行編碼，即基因型通過外部對映表現出來。

2.2 基於改進的Pareto優化演算法人臉表情特徵選取

通過改進的GA演算法，經過優化得到解，採用Pareto優化演算法，對每個種群F(S_k)(k=1，2，…，n)的多目標進行優化，得到最優max F(S_k)，並通過式(2)得到解S_k：

式中，不同種類表情個數用l表示；M_i是通過GA從一類表情中得到的解，且N_w是解的個數；M_j是通過GA從不同類別中得到的解，且N_b是其對應解的個數。

通過目標函數(3)可看出，F2(S_k)對應擴大類間差距，F₁(S_k)對應縮小類間差距。圖1為基於GA和Pareto優化演算法的人臉的表情特徵的選取。

2.3 基於隨機森林方法的人臉表情特徵分類

在選出最優特徵後，將其進行表情分類，表情包括恐懼、生氣、驚訝、高興等。根據隨機森林分類器方法，可將人臉表情分類的精度有效提高。隨機森林屬於一種組合分類器，實質上是一個樹形分類器的集合。其中，基分類器為通過分類迴歸樹演算法構建的無剪枝分類的決策樹，通過多數投票的簡單法進行其輸出結果的確定。Gini係數指標在隨機森林演算法中是分類迴歸樹的分裂標準，其計算過程見式(4)：

式中，mtry表示每個節點的特徵維數；P_i表示在樣本集S中出現的概率。

3 人臉表情識別方法

3.1 三維人臉形變模型

圖2為人臉顏色PCA模型，顏色係數的標準偏差設定為2。在第一個顏色模型中，模型主要是進行全局膚色模型的改變，從黑色到白色。在第二個模型中，模型主要是進行人臉性別特徵的改變。第三個模型是進行性別、膚色兩種的混合特徵的改變。

3.2 基於雙眼的三維人臉姿態的預處理

人臉中的67個對齊點採用對齊演算法SDM對齊。SDM中人臉的鼻子、眼睛、嘴角位置均可作為定位標記點。SDM對一個目標函數進行了定義，對此目標函數通過演算法進行最小化，用一個線性方法對這個問題進行求解是SDM的核心，見式(6)：

通過獲取的角度，採用仿射變換對臉的姿態進行調整。仿射變換通過變換座標進行，通過影象變換，在圖片輸入後，將其座標對映到輸出圖片座標上。圖3為基於雙眼的人臉姿態預處理。

4 支援向量機演算法在目標跟蹤中的應用

4.1 SVM核函數

在展開函數計算之前，要進行事先確定變換環節，當高維特徵空間被輸入對映時，那麼這個高維特徵空間就需要構造最優分類面。現階段，在核函數和參數的選取環節當中，依舊採取人為選取的方式進行，隨意性較大，穩定性難以滿足。核函數指的是：設歐氏空間X為d維，該空間的一個點用x表示，x的模表示為||x||²=x^Tx，實數集用R表示。若一個函數K:x→R，存在一個函數k:[0，∞]→R，即K(x)=k(||x||²)，且k為非負值；當k為非增的、分段連續時，滿足條件則核函數就是K(x)。

4.2 訓練過程

應用支援向量機跟蹤驗證運動目標，通常包括影象分類和訓練過程。在訓練時，將已知分類結果的樣本影象輸入，進行影象預處理，對於預處理後的影象特徵通過特徵提取法進行提取，並將其作為SVM學習器的輸入資料。對核函數及參數值進行調整，優化設定向量機中可能存在的維度和偏差等問題，優化分類器的選擇模式，最終實現輸入訓練樣本的分類環節，分類器的精度顯著提高。

4.3 動態人臉跟蹤的實現

針對k幀進行研究時，所選擇的膚色模型主要為混合式，通過分割的方式將影象的膚色進行輸入，以模型規定為基礎，檢視膚色閾值從而得到人臉候選區域；採取優化過的Sobel運算元邊緣檢測法檢測候選區域，並用SNOW分類器處理前面得到的結果，檢測人臉資訊，最終得到人臉矩形區域；把第k-1幀的矩形區域與人臉矩形區域進行比較，對於當前幀人臉矩形區域的運動狀態，採用線性預測獲得；應用FWT演算法和Haar小波變換進行該矩形區域影象的增強處理，同時採用SVM分類器驗證人臉資訊。如果能夠檢測到相應人臉資訊，那麼就可以將其作為人臉區域進行標註；如果檢測不到相應的人臉資訊，那就可以認為目標丟失，在允許的丟失時間範圍內，跟蹤和檢測k+1幀。如果超過允許的丟失時間範圍，即可結束本次跟蹤，同時開始新一輪的人臉識別、跟蹤、檢測。

5 實驗結果分析

以前文給出的演算法流程為基礎，實現對人臉識別跟蹤的準確定位和檢測，實現人臉膚色和人臉運動相結合的自動錶情定位。以QC288型攝像頭為影象識別工具進行採集，影象均為640×480解析度的真彩影象，圖4為部分人臉跟蹤結果圖，其中圓形所標註的內容為影象中的人臉目標。通過本文的人臉膚色與人臉執行相結合的自動錶情的檢測和跟蹤演算法，對小角度人臉膚色、人臉面部表情變化、人臉旋轉、人臉面部存在遮擋物等情況準確地進行檢測和跟蹤。

6 結論

本文主要基於膚色與人臉運動相結合的自動錶情，對其識別演算法進行了研究。通過RGB將影象轉為YIQ顏色空間，在YIQ中第I維中進行影象資料的提取，在二值影象中將背景和膚色分割出來。採用Pareto優化演算法進行人臉表情特徵的選取，本演算法計算量少，構結簡單，執行速度快，能對小角度人臉膚色、人臉面部表情變化、人臉旋轉、人臉面部存在遮擋物等情況準確檢測和跟蹤。實驗表明，對於人臉小角度轉動，本文演算法能較好適應：對於人眼的狀態，本演算法不受影響；對於豐富的面部表情變化和不同的膚色均能更好地適應，具有一定的穩定性。

參考文獻

[1] 顧偉，劉文傑，朱忠浩，等.一種基於膚色模型和模板匹配的人臉檢測演算法[J].微型電腦，2014，30(7)：13-16.

[2] 曹海燕.基於幾何特徵的人臉識別演算法研究[D].曲阜：曲阜師範大學，2015.

[3] 梅英，譚冠政，劉振燾.基於視訊影象的面部表情識別研究綜述[J].湖南文理學院學報(自科版)，2016，28(3)：19-25.

[4] 牛連強，趙子天，張勝男.基於Gabor特徵融合與LBP直方圖的人臉表情特徵提取方法[J].瀋陽工業大學學報，2016，38(1)：63-68.

[5] 李宇成，劉昆.一種基於人臉分割的PCA和SVM人臉識別方法[J].微型機與應用，2016，35(15)：51-53.

[6] 孫波，劉永娜，羅繼鴻，等.基於張量分析的表情特徵提取[J].計算機工程與應用，2016，52(20)：145-148.

作者資訊：

宋婉娟，董文永

（湖北第二師範學院 計算機學院，湖北 武漢430205）

»

喜歡這篇文章嗎？立刻分享出去讓更多人知道～

http://www.buzzfunnews.com/20180620111.html

每日頭條即時更新，請上：http://www.buzzfunnews.com