虚拟现实面部表情识别技术-鼎炫科技

时间：2018-09-26

虚拟现实面部表情识别技术是近几十年来才逐渐发展起来的，由于面部表情的多样性和复杂性，并且涉及生理学及心理学，面部表情识别具有较大的难度，因此，与其他生物识别技术如指纹识别、虹膜识别、人脸识别等相比，发展相对较慢，应用还不广泛。但是表情识别对于虚拟现实中的人机交互技术却有重要的价值，因此有很多研究机构致力于这方面的研究，并已经取得了一定的成果。
计算机面部表情识别技术通常包括4个步骤：人脸图像的检测与定位、表情图像预处理、表情特征提取、表情分类。

虚拟现实面部表情识别技术：人脸图像的检测与定位
人脸图像的检测与定位就是在输入图像中找到人脸的确切位置，它是人脸表情识别的第一步。人脸检测的基本思想是建立人脸模型，比较输人图像中所有可能的待检测区域与人脸模型的匹配程度，从而得到可能存在人脸的区域。根据对人脸知识利用方式的不同，可以将人脸检测方法分为两大类：
基于特征的人脸检测方法。该类方法直接利用人脸信息，例如人脸肤色、人脸的几何结构等，这类方法大多用模式识别的经典理论，应用较多。
基于图像的人脸检测方法。该类方法并不直接利用人脸信息，而是将人脸检测问题看作一般的模式识别问题，待检测图像被直接作为系统输人，中间不需要特征提取和分析，直接利用训练算法将学习样本分为人脸类和非人脸类，检测人脸时只要比较这两类与可能的人脸区域，即可判断检测区域是否为人脸。

虚拟现实面部表情识别技术：表情图像预处理
图像预处理常常采用信号处理的形式（如去噪、像素位置或者光照变量的标准化），还包括人脸及它的组成与分割、定位或者跟踪。表情的表示对图像中头的平移、尺度变化和旋转是敏感的。为了消除这些不必要的变换的影响，人脸表情图像可以在分类前进行标准化的预处理。

虚拟现实面部表情识别技术：表情特征提取
表情特征的提取根据图像性质的不同可分为：静态图像特征提取和序列图像特征提取。静态图像中提取的是表情的形变特征，即表情的暂态特征。而对于序列图像不仅要提取每一帧的表情形变特征还要提取连续序列的运动特征。形变特征提取必须依赖中性表情或模型，把产生的表情与中性表情做比较从而提取特征，而运动特征的提取则直接依赖于表情产生的面部变化。特征选取的依据是：
尽可能多地携带人脸面部表情的特征，即信息量丰富；
尽可能容易提取；
信息相对稳定，受光照变化等外界的影响小。
形变特征提取的常用方法有：主成分分析法（Principal Component Analysis,PCA)、 Gabor小波法、基于模型的方法等。
常用的运动图像的特征提取方法有：光流法、特征点跟踪法和差分图像法。

虚拟现实面部表情识别技术：表情分类
表情识别的最后步骤就是表情的分类，特征提取之后，通过分类器就可以确定给定的对象属于哪一类。基本方法是在样本集的基础上确定判别规则，对于新给定的对象根据已有的判别规则来分类，从而达到识别的目的。一个良好的分类器使分类造成的错误率最小，因此，分类器的设计也是表情识别的关键。
一般常用的分类方法有以下几种：
最近邻法（NN),是基于样本间距离的一种分类方法。
基于模板的匹配方法。为每一个要识别的表情建立一个模板，将待测表情与每种表情模板进行匹配，匹配度越高，则待测表情与某种表情越相似。
基于神经网络的方法。采用神经网络方法具有识别率高的特点，但神经网络方法的训练工作量非常大。
基于概率模型的方法。估计表情图像的参数分布模型，分别计算被测表情属于每个类的概率，取最大概率的类别为识别结果。
基于支持向量机（Support Vector Machines，SVM)的方法。

虚拟现实面部表情识别技术介绍完了，以上仅是鼎炫科技http://www.dingxuankeji.com/一家之说，仅供参考。

相关推荐

虚拟现实面部表情识别技术-鼎炫科技

公司热线