【文章首發(fā)于蜂口知道公眾號，內(nèi)容來源于蜂口小程序，歡迎關(guān)注了解~】

作者：龍鵬，前360AI研究員算法工程師，現(xiàn)任陌陌深度學(xué)習(xí)實(shí)驗(yàn)室高級算法工程師。

本次繼續(xù)給大家 帶來的是表情識別這個(gè)問題。 我們將從四個(gè)方向給大家進(jìn)行分享。

首先，我們會給大家科學(xué)地定義一下表情是什么？ 表情實(shí)際上包含了我們平常所說的表情以及微表情。

其次，我們會簡單地介紹一下傳統(tǒng)方法的研究思路。 傳統(tǒng)的方法主要從靜態(tài)圖和動態(tài)視頻兩個(gè)方面進(jìn)行講述。

然后，我們再給大家介紹一下深度學(xué)習(xí)的方法。

最后，我們對表情分類這個(gè)問題的應(yīng)用和它的難點(diǎn)做一個(gè)完整的介紹。

下面開始我們第一部分的分享：什么是表情？

所謂表情其實(shí)指的是面部的肌肉的運(yùn)動。 我們平常所說的表情包含七種基本的表情， 主要是包括憤怒 、 厭惡、恐懼、快樂、悲傷 、 驚訝 以及蔑視等。

上面這張圖是一個(gè)表情常用的數(shù)據(jù)集， 這個(gè)數(shù)據(jù)集包含了八種表情， 實(shí)際上就是對應(yīng)我們左邊所說的七種表情以及中性， 也就是無 表情 。 當(dāng)然這個(gè)圖的順序跟我們前面的文字沒有一一對應(yīng)。 總之這七種表情就是我們平常最常見的表情。

但是表情實(shí)際上并不僅僅如此。 科學(xué)上還有一種表情叫做微表情。 微表情的研究常常被心理學(xué)家和犯罪科學(xué)家用于相關(guān)的研究。

那什么是微表情呢？ 所謂微表情，其實(shí)就是持續(xù)時(shí)間非常短， 它只是某種無意識地使人類在隱藏某種情感。 無意識的一個(gè)行動，它的持續(xù)時(shí)間通常不到一秒鐘。

舉個(gè)例子， 當(dāng)我們有的時(shí)候表現(xiàn)出微笑， 但其實(shí)我們表示的是蔑視這樣的一種感情。 大家平時(shí)應(yīng)該有這樣的感受。 所以表情其實(shí)分為基本表情和微表 情 這兩大類。 當(dāng)然還有更多更豐富的表情， 是我們所研究的問題的復(fù)雜性來定， 我們可以去進(jìn)行更多的分類。

那表情它是怎么形成的 呢 ？ 前面我們說了表情實(shí)際上是面部的肌肉運(yùn)動， 而面部的肌肉運(yùn)動雖然是一個(gè)整體， 但是這個(gè)肌肉運(yùn)動實(shí)際上也可以分離開幾個(gè)區(qū)域， 主要包含這么一些區(qū)域：

a)眉毛。眉毛主要包含皺眉、抬眉等等。 它分別可以表示一些驚訝以及一些蔑視的表情。

b)眼瞼。眼瞼包含 抬眼 瞼 以及閉眼瞼這樣一個(gè)動作。 它實(shí)際上包含的可能是驚訝、無聊這樣的一些表情。

c)眼睛。眼睛可以包含憤怒、蔑視等等。

d)嘴唇。嘴唇的表情非常的豐富， 它可以包含微笑、嘟嘴、驚訝等等。

e) 鼻子。鼻子它相對來說要簡單一些。比如 我們常說的聳鼻等等， 它可以表示一種蔑視的表情。

f)下巴 。 下巴 也可以表示一些嘟嘴之類的表情， 甚至一些驚訝之類的表情。

總的來說，人臉的面部包含了上面列舉的這幾大區(qū)域， 由這幾大區(qū)域 各自 就組成了表情 基 ， 也就是 action uints 。 一般我們在研究的時(shí)候，表情 基 會有20個(gè)左右。 這里我們展示了28個(gè)技術(shù)的表情 基 ， 由這些基本的表情 基 就可以組成人臉的豐富的表情。

表情的研究方法也是分兩類： 傳統(tǒng)的方法和深度學(xué)習(xí)方法。

傳統(tǒng)的方法 主要是兩個(gè)方面來進(jìn)行研究：

一方面是靜態(tài)的圖。所謂靜態(tài)圖就是一張人臉的圖片。 通常我們會使用一張對齊好的人臉圖片。 那么對于 靜態(tài) 圖， 我們來研究的表情通常就采用一些傳統(tǒng)的人臉的特征， 包含一些紋理啊等等一些特征。

另一方面是動態(tài)圖。 所謂動態(tài)圖就是一個(gè)視頻， 因?yàn)槿四樀谋砬樗焐且粋€(gè)運(yùn)動的動作， 也就是肌肉的運(yùn)動， 所以用動態(tài)的圖或者視頻來表征是一個(gè)更好的方案。

那么動態(tài)圖主要有兩種研究思路：

一種是 光 流 法 。 光 流 法本身就是用于運(yùn)動的 跟蹤 的， 所以我們可以用 光流+ 梯度場來跟蹤我們的表情的運(yùn)動區(qū)域。 前面我們可以分為了一句表情 基 ， 可以對人臉的區(qū)域進(jìn)行幾個(gè)區(qū)域的劃分， 我們可以用光 流+ 梯度場來進(jìn)行跟蹤。 當(dāng)我們跟蹤到這個(gè)區(qū)域之后， 我們就可以用這些區(qū)域運(yùn)動的方向的變化來表示人臉肌肉的運(yùn)動， 表征到人 臉 肌肉的運(yùn)動之后， 我們就可以得到相應(yīng)的人臉的表情。

第二個(gè)是用 ASM等模型 。ASM等模型也就是主動形狀模型。它本身就是提取的面部的關(guān)鍵點(diǎn)，而我們?nèi)四樀谋砬閷?shí)際上可以用面部關(guān)鍵點(diǎn)來進(jìn)行表征。因?yàn)槊娌筷P(guān)鍵點(diǎn)它有 序號 的信息，所以我們基于面部關(guān)鍵點(diǎn)，還可以分區(qū)域的對人類的表情進(jìn)行表征，基于動態(tài)圖的思路會取得更好的研究效果。

這就是傳統(tǒng)的方法。

如今，在深度學(xué)習(xí)已經(jīng)遍地開花的時(shí)代， 我們更多的是采用深度學(xué)習(xí)的方法來研究人類表情這樣的問題 。

深度學(xué)習(xí)的方法， 它主要包含兩個(gè)問題：

一個(gè)是 分類的問題 。 前面我們說了，人 臉 的表情 包含了非常多的表情 基 ， 所以對于 每一個(gè)區(qū)域的表情 基 ， 我們可以進(jìn)行分別的分類。 那么人臉的表情，對于輸入這樣一張圖， 這就是一個(gè)多標(biāo)簽分類的問題。所謂多標(biāo)簽分類， 我們在前面也給大家介紹過， 就是說一張圖它不僅僅對應(yīng)一個(gè)唯一的標(biāo)簽， 它可能包含了多個(gè)維度， 我們要判斷每一個(gè)維度上是否存在它的信息。

上圖是一個(gè)常見的 pipeline框架。 我們可以看到它將人臉的圖分成了 8×8這樣的一個(gè)區(qū)域， 將每一個(gè)圖像塊都經(jīng)過一個(gè)單獨(dú)的 卷積 ， 一個(gè)單獨(dú)的 卷積 通道， 然后獲取到它的一個(gè)特征圖的表示。 然后我們可以把特征圖的特征向量進(jìn)行串接起來， 然后再進(jìn)行分類。 這就是一個(gè)典型的多分類的問題。

分類問題我們可以得到一個(gè)表情 基 是否存在。 但是當(dāng)我們在應(yīng)用表情的時(shí)候， 我們知道一個(gè)表情的存在還不能完美的解決我們的問題， 有時(shí)候我們希望知道這個(gè)表情的幅度是多大， 所以又帶來另一個(gè)問題，即 回歸的問題 。

回歸的問題 估計(jì)的就是表情的幅度。

比如上面這張圖， 從左到右它是一個(gè)微笑的過程， 但是微笑的幅度是不一樣的。 最右邊微笑的幅度最大， 最左邊基本上已經(jīng)看不到微笑，或者說他不是微笑。 有的時(shí)候很多的時(shí)候我們需要對表情做遷移， 或者對表情進(jìn)行編輯，那么我們需要估計(jì)表情的幅度， 估計(jì)表情的幅度相對于表情分類來說，它更加困難。 因?yàn)槿四樏娌康谋砬? 基 之間并非是完全獨(dú)立的， 比如嘴巴的運(yùn)動會牽動下巴的運(yùn)動， 鼻子的運(yùn)動也會牽動嘴巴的運(yùn)動， 所以我們無法單獨(dú)地對表情 基 進(jìn)行估計(jì)。

通常意義上常用的研究方法是對各個(gè)表情基之間建立了一個(gè)圖， 然后我們會去優(yōu)化這樣的一個(gè)圖，利用 CRF 等方法來進(jìn)行優(yōu)化。 更多的具體細(xì)節(jié)，大家可以線下去關(guān)注。

表情幅度的估計(jì)問題的 常用方法就是前面所說的這樣的幾種思路。

最后我們來看看表情的應(yīng)用， 表情 可以應(yīng)用在哪些地方？

首先，游戲。我們可以用 表情 在玩很多的游戲， 比如主播之間利用表情來作 PK， 然后來玩類似于消消樂這樣的一些游戲。

其次，人機(jī)交互。可以利用表情來做很多的人機(jī)的控制交互。

最后，表情遷移。 如下圖：

這張圖就是一個(gè) avatar ， 我們利用人臉來 實(shí)時(shí) 的做一些表情， 從而將這些表情驅(qū)動到我們這樣的一個(gè) 3D的模型上面 來做一些展示， 這樣的一個(gè)應(yīng)用在電影里面， 在 CG 制作里面是非常非常有商業(yè)前景的。

不過表情估計(jì) 它 也有很多的難點(diǎn)：

第一個(gè)難點(diǎn)是表情非常的復(fù)雜多變。 前面我們說了人臉的表情有七個(gè)基本表情， 但實(shí)際上表情還包含非常非常多， 甚至表情都不一定是面部帶來的， 它甚至還有其他的圖像， 非面部區(qū)域以外也能帶來一些表情。 它 的變化非常復(fù)雜， 再加上人臉又是一個(gè)柔性的模型。

第二個(gè)難點(diǎn)是 表情 幅度的量化問題。 像我們上面展示的這樣一張圖， 我們要用人臉來驅(qū)動這樣的一個(gè) avatar、 這樣的一個(gè)3D模型來做一些表情的動作， 那么我們不可避免的要估計(jì)人臉， 也就是真人 他 的表現(xiàn)的幅度是多大， 而對他的幅度進(jìn)行量化， 就面臨了幾個(gè)挑戰(zhàn)：

1)我們要對我們的幅度進(jìn)行標(biāo)注， 這是一個(gè)非常大的問題。 因?yàn)槲覀冃枰孟禂?shù)來量化我們的幅度， 它并不是那么直觀。

2)我們要利用方法， 前面我們所說的利用深度學(xué)習(xí)的方法來估計(jì)我們這樣的表 情 的幅度， 它也面臨著很多的困難。

好了，以上就是我們?nèi)四槺砬橄嚓P(guān)的分享。

免費(fèi)領(lǐng)取技術(shù)大咖分享課，加蜂口V信: fengkou-IT??????
感謝您的閱讀，更多精彩請持續(xù)關(guān)注蜂口微信小程序！

來自 “ ITPUB博客 ” ，鏈接：http://blog.itpub.net/31553577/viewspace-2216044/，如需轉(zhuǎn)載，請注明出處，否則將追究法律責(zé)任。

轉(zhuǎn)載于:http://blog.itpub.net/31553577/viewspace-2216044/

總結(jié)

以上是生活随笔為你收集整理的【蜂口 | AI人工智能】表情识别——龙鹏 深度学习与人脸图像应用连载（七）...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。