表情識(shí)別技術(shù)綜述

Abstract:Facial expression recognition is the key research direction in many fields such as machine vision, pattern recognition and artificial intelligence. It has become a research hotspot of many scholars and experts. As a research direction of emotion calculation, facial expression recognition constitutes the basis of emotional understanding and an important prerequisite for realizing human-computer interaction intelligence. This paper reviews the definition and development history of facial expression recognition technology, and introduces the main methods and applications of facial expression feature extraction and facial expression recognition in the past five years. Finally, through facial expression recognition at home and abroad. The actual application is studied, and the current challenges and shortcomings of facial expression recognition and future development prospects are analyzed.
摘要：人臉表情識(shí)別是機(jī)器視覺、模式識(shí)別和人工智能等眾多領(lǐng)域的重點(diǎn)研究方向,目國(guó)內(nèi)外多名專家學(xué)者都在針對(duì)此領(lǐng)域進(jìn)行研究。人臉的表情不僅可以傳達(dá)表達(dá)心情、傳遞情緒，而且在人際交往中也起到重要的作用。因此，研究人臉表情識(shí)別顯得尤為重要。本文主要介紹了人臉表情識(shí)別技術(shù)的定義、發(fā)展歷史，列舉了近年來國(guó)內(nèi)和國(guó)外專家學(xué)者對(duì)于人臉表情識(shí)別的主要方法和應(yīng)用，最后通過對(duì)國(guó)內(nèi)外人臉表情識(shí)別的研究情況，分析得出人臉表情識(shí)別目前的挑戰(zhàn)與不足以及未來的發(fā)展前景。

1引言

1.1人臉表情識(shí)別的定義
????動(dòng)態(tài)視頻中提取出人的表情狀態(tài)，從而進(jìn)一步識(shí)別出對(duì)象的心理狀態(tài)[5]。這項(xiàng)技術(shù)可是是計(jì)算機(jī)更能理解人的情緒，并能根據(jù)人類在不同環(huán)境中的面部表情對(duì)人的心理活動(dòng)做出判斷并給與相應(yīng)回應(yīng)。人臉表情識(shí)別主要由：人臉檢測(cè)、人臉表情特征提取和表情分類三部分組成。本文將在下文當(dāng)前流行的各種表情提取方法及簡(jiǎn)要介紹和對(duì)比。
1.2人臉表情識(shí)別的發(fā)展歷程
????有關(guān)人臉面部表情的研究在心理學(xué)和醫(yī)學(xué)界由來已久，但在計(jì)算機(jī)人臉表情識(shí)別領(lǐng)域卻起步較晚。
關(guān)于面部識(shí)表情識(shí)別最早的研究是在1978年，Suwa和Sugie等人[6]對(duì)一段面部視頻關(guān)鍵點(diǎn)的外表做了一個(gè)預(yù)先實(shí)驗(yàn)。但由于當(dāng)時(shí)計(jì)算能力的限制，面部表情研究在很長(zhǎng)一段時(shí)間內(nèi)不受專家學(xué)者關(guān)注。
90年代初，Mase等[7]使用光流法實(shí)現(xiàn)自動(dòng)提取特征的研究的成功使面部表情識(shí)別逐漸回到大家的視野中。
????2001年，Tian等[8]將AU用于面部識(shí)別分析的研究開自動(dòng)表情研究的先河。
????近些年來，許多專家學(xué)者不斷創(chuàng)新，像Gabor濾波器[9]、光流法和局部二值模式(Local Binary Pattern, LBP)[10]或兩者之間的組合[11]的方法不斷被采用。初次之外，在自動(dòng)面部表情識(shí)別領(lǐng)域，諸如自發(fā)面部表情檢測(cè)、復(fù)雜精神狀態(tài)分析研究等的新的領(lǐng)域也不斷被開辟。
1.3人臉表情識(shí)別的應(yīng)用
????當(dāng)前人臉表情識(shí)別技術(shù)正處于蓬勃的發(fā)展期，其技術(shù)手段也應(yīng)用到了包括人機(jī)交互、安全、機(jī)器人制造、醫(yī)療、游戲和汽車制造等不同領(lǐng)域。在安全方面，例如販子分子的測(cè)謊工作，如果僅僅依靠人力觀察和可能因?yàn)樵u(píng)判標(biāo)準(zhǔn)不一和表情遺漏造成誤判，此時(shí)就需要使用具有表情識(shí)別能力的計(jì)算機(jī)來輔助判斷。在機(jī)器人制造、醫(yī)療方面，如在臨床治療和服務(wù)行業(yè)中結(jié)合人臉表情識(shí)別可以使機(jī)器人更能理解人的心理活動(dòng)，從而為人們提供更加準(zhǔn)確、周到的服務(wù)。在游戲方面，已經(jīng)推出有像Dancing Face等類似表情識(shí)別的相關(guān)的游戲，并取得了不錯(cuò)的反響。在汽車領(lǐng)域主要進(jìn)行了針對(duì)人臉表情對(duì)駕駛?cè)藛T進(jìn)行是否疲勞駕駛的判斷，在趙磊的基于深度學(xué)習(xí)和面部多源動(dòng)態(tài)行為融合的駕駛員疲勞檢測(cè)方法研究[21]中利用人臉識(shí)別技術(shù)對(duì)駕駛員疲勞狀況的加測(cè)取得了較為準(zhǔn)確的結(jié)果。

2人臉表情識(shí)別的過程

????基于計(jì)算機(jī)的人臉表情識(shí)別主要分為三步即人臉檢測(cè)、表情特征提取以及表情分類。通常情況下，進(jìn)行人臉表情識(shí)別的圖像或視頻中存在其他環(huán)境的干擾信息，因此人臉檢測(cè)相當(dāng)于在待處理的視頻或圖像中將人臉進(jìn)行檢測(cè)并從圖像中進(jìn)行分割，從而有效降低表情識(shí)別過程中可能出現(xiàn)的干擾信息。人臉檢測(cè)主要是根據(jù)人臉的特有特征，在待測(cè)的圖像區(qū)域中檢測(cè)是否存在人臉，并將檢測(cè)的可能性與閾值進(jìn)行比較，從而定位人臉的坐標(biāo)信息并分割出人臉?biāo)诘奈恢谩?br /> 當(dāng)確定人臉區(qū)域后，相當(dāng)于縮小了表情識(shí)別的檢測(cè)區(qū)域，在人臉區(qū)域上對(duì)表情信息進(jìn)行特征提取。目前較為流行的表情特征提取法由主成分分析法（PCA）、局部二值模式（LBP）以及一些其他基于運(yùn)動(dòng)和形變的特征提取方法。
????在該階段需要針對(duì)待求問題選擇合適的分類器訓(xùn)練得到分類準(zhǔn)確、泛化能力強(qiáng)的分類器，并將需要檢測(cè)的圖像作為輸入，經(jīng)過人臉檢測(cè)、提取表情特征以及分類器分類得到人臉表情的所屬類別[12]。

圖1 人臉表情自動(dòng)識(shí)別主要步驟
2.1人臉檢測(cè)與方法簡(jiǎn)介
????在進(jìn)行表情特征提取之前，首先要對(duì)圖片進(jìn)行預(yù)處理，圖片與處理主要需要兩個(gè)步驟，即去除復(fù)雜背景以及圖像歸一化。人臉檢測(cè)技術(shù)在這方面可以提供很好的技術(shù)支撐。人臉檢測(cè)與定位就是在輸入圖像中找到人臉的準(zhǔn)確位置并及逆行定位分割，目前采取的方法主要有：基于傳統(tǒng)知識(shí)的算法、基于集合的算法、基于AdaBoost的算法以及基于神經(jīng)網(wǎng)絡(luò)的算法。本文將對(duì)后兩種經(jīng)典算法進(jìn)行簡(jiǎn)要介紹。
2.1.1基于AdaBoost的人臉檢測(cè)算法
????AdaBoost是一種通過迭代在訓(xùn)練機(jī)上訓(xùn)練的出弱分類器，再將弱分類器真和得到請(qǐng)分類器的算法。這種算法可以快速計(jì)算檢測(cè)器使用的特征，可以產(chǎn)生高效的分類器。

圖2 基于AdaBoost的人臉檢測(cè)主要步驟
????AdaBoost算法目前具有廣泛的應(yīng)用，如在沈翔等人基于膚色與改進(jìn)AdaBoost算法的人臉檢測(cè)[13]中，提出了一種基于膚色與改進(jìn)Adaboost算法的人臉檢測(cè)。使用雙閾值的權(quán)重更新方式避免了分類器訓(xùn)練過程中可能出現(xiàn)的過擬合現(xiàn)象;人臉檢測(cè)時(shí)利用膚色的聚類性, 將檢測(cè)到的膚色區(qū)域作為Adaboost分類器的搜索候選區(qū)域。有效縮短檢測(cè)時(shí)間，降低了誤檢率。黎向鋒等人提出的一種基于改進(jìn)AdaBoost+Haar的車輛檢測(cè)算法[14]中在訓(xùn)練階段對(duì)負(fù)樣本進(jìn)行分類，訓(xùn)練出的分類器先簡(jiǎn)單后復(fù)雜；在檢測(cè)階段提出車款匹配算法，已檢測(cè)框底邊作為參考，調(diào)整檢測(cè)窗口的范圍，減少檢測(cè)窗口數(shù)量，達(dá)到了在復(fù)雜背景條件下對(duì)車輛的檢測(cè)。
2.1.2基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法
????卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的一種算法。相比傳統(tǒng)算法和其它神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)能夠高效處理圖片的二維局部信息，提取圖片特征，進(jìn)行圖像分類。通過海量帶標(biāo)簽數(shù)據(jù)輸入，用梯度下降和誤差反向傳播的方法訓(xùn)練模型。卷積神經(jīng)網(wǎng)絡(luò)在大批量圖像處理方面占據(jù)絕對(duì)優(yōu)勢(shì)，但容易受數(shù)據(jù)空間多樣性的影響，也存在結(jié)構(gòu)層數(shù)多，訓(xùn)練難度高的問題。

圖3 基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)主要步驟
????基于卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)和劣勢(shì)，薛艷杰等人提出基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[15],結(jié)構(gòu)上包含兩個(gè)子卷積網(wǎng)絡(luò), 實(shí)現(xiàn)多卷積的功效;然后, 對(duì)于提取人臉特征的卷積層和池化層采取融合, 以減少網(wǎng)絡(luò)參數(shù)及訓(xùn)練時(shí)間;最后分類器采用Softmax分類器。使識(shí)別別率、訓(xùn)練速度得到了提高。
2.2表情特征提取
????表情特征提取在人臉表情識(shí)別中發(fā)揮著重要的作用，有效的表情表情特征應(yīng)該完整提取人臉表情有效特征并且排除無關(guān)的干擾因素，并使圖像的位數(shù)降低到適宜范圍，對(duì)于不同的類別的表情有較好的區(qū)分效果。基于以上幾點(diǎn)，我將對(duì)目前較為流行的主成分分析法（PCA）和局部二值模式（LBP）作簡(jiǎn)要介紹。
2.2.1主成分分析法
????主成分分析法的主要作用就是對(duì)輸入矩陣進(jìn)行降維，其原理就是將原來的輸入數(shù)據(jù)投影到一個(gè)新的坐標(biāo)中，在新的坐標(biāo)之下，表示一個(gè)同樣的矩陣可以用一個(gè)維數(shù)更低的矩陣進(jìn)行描述，具體的步驟為：

圖4 主成分分析法主要步驟
????雖然使用主成分分析法可以實(shí)現(xiàn)對(duì)對(duì)于數(shù)據(jù)的降維，但是它的計(jì)算復(fù)雜度十分高并且對(duì)存儲(chǔ)空間也有很大的要求。在涂亮等人微表情識(shí)別中面部動(dòng)力譜特征提取的PCA改進(jìn)[16]中提出基于主元分析(PCA)的改進(jìn)算法。首先將數(shù)據(jù)中心平移到原點(diǎn),其次估計(jì)相關(guān)矩陣,最后估計(jì)其特征向量和特征值,取最大特征值對(duì)應(yīng)的特征向量方向作為時(shí)空立方體的主方向，低了原PCA算法的復(fù)雜度。
2.2.2局部二值模式
????LBP算法的原理是將待測(cè)圖像中每個(gè)像素與其局部鄰域的點(diǎn)在亮度上的二值序關(guān)系進(jìn)行編碼形成局部二值模式，才用多區(qū)域直方圖進(jìn)行特征描述。處理過程為：通過計(jì)算每個(gè)像素與其鄰域的8個(gè)灰度值的關(guān)系，形成一個(gè)二進(jìn)制碼，中心點(diǎn)的值代表閾值，當(dāng)鄰域數(shù)值大于中心點(diǎn)數(shù)值時(shí)在該鄰域處填入數(shù)值1，否則填入數(shù)值0。舉例如下：

????本例中，二進(jìn)制編碼為11011010。像素點(diǎn)的個(gè)數(shù)為n，中心點(diǎn)的像素位置為gc(Xc,Yc)，相鄰點(diǎn)的坐標(biāo)為g0，g1…g7，則LBP的計(jì)算公式為：

????LBP算法具有光照不變性，并且算法復(fù)雜度低的優(yōu)點(diǎn)，但本算法無法區(qū)分鄰與閾值相等這種情況，并且在高精度計(jì)算中存在內(nèi)存消耗大的劣勢(shì)。在嵇介曲基于LBP算法的人臉識(shí)別研究中[17]，針對(duì)LBP算法提取人臉圖像的表情特征信息時(shí)會(huì)丟失特殊的特征信息的缺點(diǎn),提出了多重局部二值模式的人臉表情識(shí)別方法, 該方法在中心像素點(diǎn)以及鄰域像素點(diǎn)灰度值之間創(chuàng)造性地增加了一位二進(jìn)制編碼，實(shí)驗(yàn)結(jié)果表明可有效提高LBP算法的識(shí)別率。
2.3表情識(shí)別
????在表情識(shí)別階段包括分類器設(shè)計(jì)和分了決策兩部分，表情識(shí)別的主要目的是根據(jù)特征提取中所提去出的表情特征對(duì)人臉表情進(jìn)行分類判斷，目前應(yīng)用的主要有一下幾種方法。
2.3.1k-最近鄰學(xué)習(xí)法
????K-最近鄰學(xué)習(xí)法是根據(jù)測(cè)量不同特征值之間的臨近距離進(jìn)行分類。它的思路是：輸入待測(cè)樣本，設(shè)定K值，如果K個(gè)最相似樣本中大多數(shù)都屬于某一特定類別，那么待測(cè)樣本也應(yīng)該屬于這一類別。下面通過舉例來表示本算法：

圖5 k-最近鄰學(xué)習(xí)法示例圖
????在本圖中，如果對(duì)圖片中的綠色圓形進(jìn)行分類判斷，當(dāng)K取3時(shí)，由于鄰近的三個(gè)分類中對(duì)象中紅色三角形所占的比例最大為2/3，所以綠色原型歸為紅色三角形一類，當(dāng)K取5時(shí)，由于在鄰近的5個(gè)分類對(duì)象中藍(lán)色矩形所占的比例最大為3/5，所以綠色圓形被歸為藍(lán)色矩形一類。由此可以判斷此種分類方法，關(guān)鍵在于K值的選取。
????在此種方法中距離的計(jì)算主要采用歐式距離或曼哈頓距離。

????將這種分類方法應(yīng)用于人臉表情識(shí)別的主要過程為：在訓(xùn)練集中表情數(shù)據(jù)標(biāo)簽已知的情況下，輸入上一步驟中提取的表情特征，并計(jì)算其與哥哥訓(xùn)練及數(shù)據(jù)之間的距離；按照距離的遞增關(guān)系進(jìn)行排序；選取距離最小的前K個(gè)點(diǎn)；確定前K個(gè)點(diǎn)所在類別的出現(xiàn)頻率；返回前出現(xiàn)頻率最高的類別作為人臉表情的預(yù)測(cè)分類。在王曉霞等人基于混合特征和分層最近鄰法的人臉表情識(shí)別[18]中，根據(jù)人臉表情特征基于分類樹思想將表情進(jìn)行三層分類，整個(gè)識(shí)別過程由粗到細(xì),融合了幾何特征和頻域特征，實(shí)驗(yàn)驗(yàn)證了k-最近鄰學(xué)習(xí)法的有效性。
2.3.2神經(jīng)網(wǎng)絡(luò)分類器
????人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)采用仿生學(xué)原理模擬人類大腦的神經(jīng)元細(xì)胞結(jié)構(gòu)，與人腦類似它由大量的神經(jīng)元相互連接成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)，對(duì)輸入細(xì)膩些進(jìn)行復(fù)雜運(yùn)算。下面我將對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單介紹：
????依據(jù)仿生學(xué)原理，BP神經(jīng)網(wǎng)絡(luò)抽象出了節(jié)點(diǎn)、節(jié)點(diǎn)中之間的連接、節(jié)點(diǎn)之間的連接強(qiáng)度。其主要構(gòu)成為：輸入層、隱藏層和輸出層。

圖6 神經(jīng)網(wǎng)絡(luò)分類器原理圖
????在BP網(wǎng)絡(luò)中進(jìn)行人臉識(shí)別的主要流程為：
????1）進(jìn)行網(wǎng)絡(luò)初始化設(shè)定各連接權(quán)值、誤差函數(shù) e給定計(jì)算精度值 ε 和最大學(xué)習(xí)次數(shù) M ；
????2）在迭代次數(shù)范圍內(nèi)，選取一個(gè)學(xué)習(xí)樣本，正向傳入輸入；
????3）計(jì)算各層神經(jīng)元的輸入與輸出；
????4）調(diào)整連接權(quán)值和閾值；
????5）循環(huán)遍歷所有的輸入樣本直至結(jié)束；
????6）計(jì)算平均誤差E；
????7）對(duì)樣本的精度進(jìn)行判斷，選擇繼續(xù)迭代還是輸出分類結(jié)果。

3表情識(shí)別存在的問題與發(fā)展前景

3.1 當(dāng)前表情識(shí)別存在的問題
????面部表情識(shí)別是一個(gè)跨學(xué)科，具有挑戰(zhàn)性的前沿話題，但目前尚未進(jìn)入實(shí)踐領(lǐng)域。一個(gè)好的表情識(shí)別系統(tǒng)應(yīng)該能夠抵抗外加復(fù)雜背景因素的干擾，提取出有效的表情特征，并能準(zhǔn)確高效的分析出人臉表情的所屬類別。在過去的幾十年中，面部識(shí)別技術(shù)從無到有，雖然面部表情識(shí)別的理論和技術(shù)取得了很大進(jìn)展，但仍舊存在需要優(yōu)化和改進(jìn)的部分：
????1）由于人的多樣性，面部的外觀，表情和膚色可能不同，具有模式可變性，面部識(shí)別的準(zhǔn)確性并不總是十分穩(wěn)定[19]；
????2）再度人臉進(jìn)行特征提取時(shí)很難排除人臉胡須、眼睛等因素的干擾，這些干擾因素的存在會(huì)降低實(shí)驗(yàn)結(jié)果的準(zhǔn)確性；
????3）現(xiàn)實(shí)生活中對(duì)于人臉以及人臉表情的檢測(cè)往往會(huì)受制于復(fù)雜背景和光照條件的影響，如在強(qiáng)光條件下人臉檢測(cè)和表情識(shí)別的準(zhǔn)確度都會(huì)大大降低；
????4）當(dāng)前的研究中，各學(xué)科結(jié)合不夠密切，對(duì)于人類表情的分類還停滯于6中基本表情；
????5）當(dāng)前的人臉表情研究算法缺乏創(chuàng)新，大多數(shù)人的研究只是基于各種已有算法的疊加；
????6）各種算法有待優(yōu)化，對(duì)于表情識(shí)別和人臉檢測(cè)中，準(zhǔn)確度高的算法往往對(duì)計(jì)算機(jī)的硬件要求高，并且運(yùn)算復(fù)雜度高、運(yùn)算時(shí)間長(zhǎng)，很難應(yīng)用于實(shí)際生產(chǎn)生活。
3.2 表情識(shí)別的發(fā)展前景
????隨著大數(shù)據(jù)時(shí)代的到來以及人工智能、深度學(xué)習(xí)的持續(xù)火熱，人們對(duì)面部表情實(shí)時(shí)識(shí)別的需求急劇增加。未來人臉表情識(shí)別將會(huì)有更大的發(fā)展?jié)摿?#xff0c;現(xiàn)總結(jié)如下：
????1）進(jìn)行三維表情研究，目前的研究大都輸入人臉的二位圖像，手指與這種現(xiàn)狀，很難完全反映出一個(gè)人的表情狀態(tài)，二使用三維圖像，可以完整、真實(shí)的傳遞人的表情信息，減少表情識(shí)別受光照和狀態(tài)的影響，使用三維信息對(duì)人臉表情進(jìn)行研究將是未來一個(gè)重要的研究課題；
????2）加強(qiáng)技術(shù)融合，目前人臉檢測(cè)，表情特征提取、表情識(shí)別的方法喲很多，每種方法有其自身優(yōu)勢(shì)也相應(yīng)存在部分缺陷，如何榮獲人各種檢測(cè)識(shí)別方法中的優(yōu)勢(shì)，提高表情是別的速度與準(zhǔn)確率，會(huì)批各自缺點(diǎn)，也將是未來表情識(shí)別中的研究中重點(diǎn)；
????3）融入非視覺的因素，人的表情和思維具有較高的復(fù)雜度，僅僅從表情一方面很難對(duì)情緒進(jìn)行準(zhǔn)確判斷，未來應(yīng)結(jié)合體溫、聲音、環(huán)境等因素對(duì)人的心理進(jìn)行總和判斷；
????4）建立公共表情數(shù)據(jù)庫(kù)，目前對(duì)人臉表情的研究離不開表情數(shù)據(jù)庫(kù)的使用，而有效的、開放的表情數(shù)據(jù)庫(kù)又寥寥無幾，因此著力建立表情數(shù)據(jù)庫(kù)也是未來表情識(shí)別發(fā)展中的一個(gè)關(guān)鍵問題。

4 結(jié)束語

????表情識(shí)別是目前研究的熱門領(lǐng)域，具有廣闊的研究前景。本文主要針對(duì)人臉表情識(shí)別的定義、發(fā)展歷程、識(shí)別方法。并簡(jiǎn)要介紹了幾種關(guān)于人臉檢測(cè)、特征提取、表情分類的經(jīng)典算法，通過對(duì)不同算法的分析得出目前表情識(shí)別發(fā)展中存在的問題，并對(duì)未來的表情識(shí)別做出了總結(jié)與展望。

參考文獻(xiàn)：

[1]A.Mehrabian. Communication without words. Psychology Today,1968,2(4):53-56.
[2] Schlosberg H.Three dimensions of emotion[J].Psychological Review，1954，61（2）：81-88.
[3] Ekman P，Friesen W V.Facial action coding system：a technique for the measurement of facial movement[M] Palo Alto：Consulting Psychologists Press，1978：271-302.
[4]Keltner D，Ekman P.Facial expression of emotion[J].American Psychologist，1993，48（4）：384-392.
[5]王大偉, 周軍, 梅紅巖, et al. 人臉表情識(shí)別綜述[J]. 計(jì)算機(jī)工程與應(yīng)用, 2014, 50(20):149-157.
[6]徐琳琳, 張樹美, 趙俊莉. 基于圖像的面部表情識(shí)別方法綜述[J]. 計(jì)算機(jī)應(yīng)用, 2017(12):171-178+208.
[7]梁瑞奇，基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別.電子制作，2018，10.
[8]M. Suwa et al. , In: Proc. 4th Int. Joint Conf. Pattern Recognition, 1978, pp. 408～ 410.
[9]K. Mase, IEICE Trans, Special Issue on Computer Vision and its Application, 1991, E74( 10).
[10]TIAN Y L, KANADE T, COHN J F. Recognizing action units for facial expression analysis[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2001, 23(2): 97-115.
[11]LITTLEWORT G, BARTLETT M S, FASEL I, et al. Dynamics of facial expression extracted automatically from video[J]. Image & Vision Computing, 2006, 24(6): 615-625.
[12]SHAN C F, GONG S G, MCOWAN P W. Facial expression recognition based on local binary patterns:a comprehensive study[J]. Image and Vision Computing, 2009, 27(6): 803-816. DOI:10.1016/j.imavis.2008.08.005
[13]COHEN I, SEBE N, GARG A, et al. Facial expression recognition from video sequences:temporal and static modeling[J]. Computer Vision & Image Understanding, 2003, 91(1/2): 160-187.
[14]趙磊，基于深度學(xué)習(xí)和面部多源動(dòng)態(tài)行為融合的駕駛員疲勞檢測(cè)方法研究，博士，2018，05
[15]楊曉龍; 閆河; 張楊，人臉表情識(shí)別綜述，數(shù)字技術(shù)與應(yīng)用，2018，02.
[16]沈翔；朱建鴻，基于膚色與改進(jìn)AdaBoost算法的人臉檢測(cè)，傳感器與微系統(tǒng)，2019，03，143-145.
[17]黎向鋒；趙偉康；豆心愿；左敦穩(wěn)，基于改進(jìn)AdaBoost+Haar的車輛檢測(cè)算法，2019，02，
[18]薛艷杰；鄧燕妮，基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究，科技風(fēng)，2019，04，106-131.
[19]涂亮；劉本永，微表情識(shí)別中面部動(dòng)力譜特征提取的PCA改進(jìn)，通信技術(shù)，2019，02，337-342.
[20]嵇介曲，基于LBP算法的人臉識(shí)別研究，安徽理工大學(xué)，2017,06.
[21]王曉霞；李振龍；辛樂，基于混合特征和分層最近鄰法的人臉表情識(shí)別，計(jì)算機(jī)工程，2011，08，171-173+176.
[22]李菊霞，人臉表情識(shí)別方法及展望，農(nóng)業(yè)網(wǎng)絡(luò)信息，2009，02，100-103.

總結(jié)

以上是生活随笔為你收集整理的【人机交互技术】人脸表情识别技术综述（感觉写的比较简单）的全部?jī)?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(cuò)，歡迎將生活随笔推薦給好友。