人脸识别中的人脸表情识别技术

    随着人脸识别技术的发展，如今在识别中应用到对人脸的表情进行识别，可以应用在人机交互、安全、机器人制造、医疗、通信和汽车领域等。那么，畅视智能来告诉你人脸识别技术的人脸表情识别要如何进行？
　　图像获取：通过人脸识别摄像头等图像捕捉工具获取静态人脸图像或动态图像序列。
　　图像预处理：图像的大小和灰度的归一化，头部姿态的矫正，图像分割等。这样做的目的是为了改善图像质量，消除噪声，统一图像灰度值及尺寸，为后序特征提取和分类识别打好基础
　　特征提取：将点阵转化成更高级别图像表述，如形状、运动、颜色、纹理、空间结构等, 在尽可能保证稳定性和识别率的前提下，对众多的图像数据进行降维处理。可以通过提取几何特征、统计特征、频率域特征和运动特征等方法进行特征提取。
　　1）采用几何特征进行特征提取，主要是对人脸表情的显著特征，例如眼睛、眉毛、嘴巴等的位置变化进行定位、测量，并确定其大小、距离、形状及相互比例等特征，从而进行表情识别。这个方法可与减少输入数据量，但会丢失一些重要的识别和分类信息，使精确性不高 。
　　2）基于整体统计特征的方法强调尽可能保留原始人脸表情图像中的信息，并允许分类器发现表情图像中相关特征，通过对整个人脸表情图像进行变换获取特征进行识别。可以通过PCA和ICA。这种提取方法会受到外来因素的干扰，例如光照、角度等，导致识别率下降
　　3）基于频率域特征提取，这是将图像从空间域转换到频率域提取其特征，主要通过小波变换，能够通过定义不同的核频率、带宽和方向对图像进行多分辨率分析，可以有效提取不同方向的细节程度的图像特征，不易直接用在匹配和识别，要ANN 或SVM 分类器结合使用，提高表情识别的准确率。
　　4）基于运动特征的提取，这是提取动态图像序列的运动特征，是今后研究的重点，主要利用到光流法。光流是指亮度模式引起的表观运动，是景物中可见点的三维速度矢量在成像平面上的投影，表示景物表面上的点在图像中位置的瞬时变化，光流场还携带有关运动和结构的丰富信息。其模型是处理运动图像的有效方法，将运动图像函数作为基本函数，根据图像强度守恒原理建立光流约束方程，通过求解约束方程，计算运动参数。这个方法反映了表情变化的实质，受光照不均性影响较小，但有比较大的计算量。
　　对于人脸表情的进行识别，在娱乐、人机等领域中带来更多的人脸识别开发应用。