周義飏

(北京師范大學 人工智能學院，北京 100088)

0 引 言

表情識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術，在治安、刑偵、醫(yī)療、教育、零售等領域發(fā)揮著越來越重要的作用。自二十世紀七十年代以來，人們在以面部動作編碼系統(tǒng)為基礎的表情識別道路上，向高精度、高速率、大數(shù)據(jù)的方向不斷前進。

1 研究背景

人臉表情識別從早期用于治安的道路監(jiān)控、機場安檢所用的基于人臉識別的身份確定，到用于審訊、心理治療的表情識別與分析，已經成為了社會發(fā)展的一個重要課題。

從上世紀六十年代開始，人們已經在探索更精確、更系統(tǒng)的表情識別方法，其中最具代表性的為Paul Ekman提出的面部編碼系統(tǒng)(Facial Action Coding System, FACS)[1]。FACS的出現(xiàn)，使所有可能的面部表情都能被描述出來，并進行組合。

2 面部動作編碼系統(tǒng)概述

二十世紀七十年代，Paul Ekman與合作者通過對表情的觀察和生物反饋實驗，描述出了不同的臉部肌肉動作與不同表情的對應關系。FACS將人臉分成了若干個動作單元(Action Units, AU)，這些動作單元依據(jù)解剖學特點劃分，相互獨立但彼此間又具有聯(lián)系。面部動作編碼主要分為3大類：主要動作單元編碼(見表1)、頭部動作單元編碼、眼睛動作單元編碼。本論文主要研究的是動作單元編碼。

表1 主要動作單元編碼

任何表情都能反映成若干AU的組合[2](見表2)。例如表示“快樂”情緒的表情通常表現(xiàn)為臉頰上抬和嘴角上揚，即AU6與AU12的組合。

表2 7種基本情緒與AU對應關系

3 國內外研究現(xiàn)狀

3.1 人臉檢測

目前，廣泛使用的幾種深度人臉檢測算法及其效率和性能的最低要求見表3。

表3 幾種深度人臉檢測算法及其效率和性能的最低要求

主動外觀模型(Active Appearance Model, AAM)可從整體人臉外觀和整體形狀中優(yōu)化所需的參數(shù)[3]。

在判別模型中[4]，樹木結構模型(Mixtures of Trees, MoT)和判別式反應圖擬合(Discriminative Response Map Fitting, DRMF)，通過每個人臉坐標周圍的局部外觀信息來表示人臉[5]。

3.2 人臉歸一化

人臉歸一化主要有兩種常用的方法：照度歸一化和姿態(tài)歸一化。

照度歸一化即通過操作，使一組人臉圖像的照度和對比度相同。常用的照度歸一化算法包括基于各向同性擴散(Isotropic Diffusion, IS)的歸一化、基于離散余弦變換(Discrete Cosine Transform，DCT)的歸一化和高斯差(Difference of GAUsian , DoG)。

姿態(tài)歸一化即人臉正面化。文獻[6]提出了一種方法，即在對面部關鍵點定位后，生成通用的3D紋理參考模型，這些3D紋理參考模型適用于所有人臉圖片，能有效估計可見的人臉成分。通過將每個人臉圖像，反投影到參考坐標系合成初始的正面人臉。值得一提的是，生成式對抗網絡(Generative Adversarial Networks, GAN)在人臉圖像處理中的運用次數(shù)正飛速增長。GAN常用于生成大量的人臉圖片作為訓練集與數(shù)據(jù)集，一定程度上避免了以往因尋找足夠的人臉圖片而遇到的各種困難。

3.3 面部AU特征提取

3.3.1 基于外觀特征的人臉AU特征提取

基于外觀特征的人臉AU特征提取，通常會用到Gabor小波，其通過將面部圖像與一組特定的具有不同方向和比例的Gabor濾波器進行卷積，來進行Gabor表示，從而提供面部圖像的多尺度特征，反映像素之間的局部相鄰關系。

文獻[7]中通過在面部局部區(qū)域分別應用Haar小波分析，設計了自動AU檢測系統(tǒng)，并使用AdaBoost來選擇特征子集。與Gabor方法相比，Haar和AdaBoost方法有著與Gabor方法相似的精度，但速度卻提高了若干個數(shù)量級。

3.3.2 基于幾何特征的人臉AU特征提取

基于幾何的特征，描述了面部幾何信息并基于幾何形狀將面部動作分類。幾何信息可以是一組關鍵點連接起來的面部網格。一些研究中，利用面部分量的變形，表情和中性面部圖像之間的基準點的位置或差異[8-9]來進行識別。但并非所有的AU都可以僅僅通過幾何表示來識別，例如AU6的特征包括眼睛外角周圍的皮膚起皺和臉頰隆起，這很難通過變形來識別。同時，幾何特征也無法檢測出細微的面部特征，例如皺紋或紋理變化[10]。

3.3.3 基于混合特征的人臉AU特征提取

一些研究整合了基于外觀特征與基于幾何特征兩種方法[11-12]，并且結合了整體表示與局部表示、小波分析表示與直方圖表示、低級表示與高級表示。文獻[13]通過引入拓撲結構和關系約束提出多條件潛在變量模型。該模型將特征和模型級別的AU，依賴項編碼用于AU識別的學習中，對于9個AU進行操作，其最佳識別精度達到92.7%。

4 數(shù)據(jù)預處理

4.1 人臉對齊

本方法對1 268張人臉圖片進行識別與檢測，在下巴、雙眉、雙眼、雙唇、鼻梁、鼻尖9個部位返回68個關鍵點(不同部位的某些關鍵點可能重合)。圖1為未處理的人臉圖片，經過處理后可得到各關鍵點的坐標如圖2。

圖1 8張未經處理的人臉圖片

圖2 含關鍵點的人臉圖片

這些關鍵點與人臉各個部位的位置相對應，將在接下來的仿射變換中起到定位作用。本步驟運用仿射變換實現(xiàn)人臉對齊，對齊后的人臉圖片如圖3所示。

圖3 對齊后的人臉圖片

本文進行仿射變換的具體思路為：分別計算左、右眼中心坐標、計算左右眼中心坐標連線與水平方向的夾角、計算左右兩眼整體中心坐標、以左右兩眼整體中心坐標為基點，將圖片逆時針旋轉相應角度，使左右眼中心坐標連線與水平方向平行，確保人臉圖片為視覺上的正向。

4.2 剪裁

實際上，對于執(zhí)行過上一步驟的圖片，CNN可以較為精確地選取出圖片中的人臉部分。但為了減少CNN的執(zhí)行時間，需盡可能減少圖片中的無效部分。根據(jù)landmark裁剪人臉到固定尺寸，水平方向以最靠左和最靠右的landmark中點為裁剪后圖片的中心點，垂直方向上分為3部分：中部(雙眼中心到雙唇中心的像素距離)、底部和頂部(雙眼中心到雙唇中心的距離)。裁剪后的圖片為邊長為138像素的正方形，如圖4所示。

圖4 剪裁后的人臉圖片

4.3 數(shù)據(jù)增強

本文使用基于68張人臉圖片關鍵點的“圖像擴充”，即對每個關鍵點取子區(qū)域，使每個子區(qū)域能包含至少2/3的人臉區(qū)域，從而將數(shù)據(jù)量擴大至69倍，原本的1 268張人臉圖片擴充為87 492張圖片，但依然只反映1 268張人臉，如圖5所示。子區(qū)域均為邊長為92像素的正方形。

圖5 數(shù)據(jù)增強示例

為了方便表示，建立2個平面直角坐標系記為：坐標系A與坐標系B。分別以經上一步驟剪裁后的圖片左上角頂點和每個關鍵點子區(qū)域左上角頂點為原點(如圖6)。以圖5為例，各個關鍵點及其對應的坐標見表4。

圖6 兩個坐標系

表4 各個關鍵點及其對應的坐標

5 基于深度卷積網絡的人臉表情識別與分類

5.1 卷積神經網絡

CNN是一類可進行卷積計算并且具有深度結構的前饋神經網絡(Feedforward Neural Networks, FNN)，是深度學習的代表算法之一。CNN主要由輸入層、池化層、激活函數(shù)、卷積層、全連接層5個部分組成。

深度卷積網絡將小的神經網絡串聯(lián)起來，從而構成深度神經網絡。以三維圖進行卷積處理為例，如圖7所示，同一卷積核對不同輸入層進行卷積操作，得到一組輸出，多個卷積核則得到多個輸出。

圖7 CNN的卷積過程

5.2 基于VGG-19的AU識別網絡結構

VGG網絡是Oxford Visual Geometry Group于2014年提出的一種CNN模型，其采用連續(xù)的小卷積核代替較大卷積核，以獲取更大的網絡深度。例如，使用2個3*3卷積核代替5*5卷積核(圖7)。這種方法使得在確保相同感知野的條件下，VGG網絡具有比一般的CNN更大的網絡深度，提升了神經網絡特征提取及分類的效果。VGG網絡與其他幾種常用的CNN模型對比見表5。

表5 幾種常用的CNN模型

本方法使用的VGG-19網絡包含了19個隱藏層、16個卷積層和3個全連接層。該網絡模型使用的卷積核均為3*3卷積，池化層則采用2*2最大值池化(圖8)。

圖8 VGG-19網絡結構

以往的研究中通常使用Soft-Max作為激活函數(shù)，損失函數(shù)則使用分類交叉熵，但這種方法僅適用于單標簽分類。而本文方法不僅實驗AU分類，更要對同一AU的不同強度進行識別和分類，因此需要進行多標簽多分類。本文方法需要分類的AU為12個，每個AU分為0～5個強度等級，總共為60種分類項。因此，本文采用二分類疊加使用的方式，即先對不同AU種類進行二分類，再對單個AU所對應的不同強度進行二分類，最后將每種AU與對應強度結合形成對照表。采用Sigmoid函數(shù)作為激活函數(shù)，損失函數(shù)使用二進制交叉熵函數(shù)。

在后續(xù)的實驗中，還將向VGG19網絡中加入一個加權處理層。

5.3 疊加的人臉AU特征檢測

5.3.1 數(shù)據(jù)來源

DISFA是一個無姿勢的面部表情數(shù)據(jù)庫。該數(shù)據(jù)庫包含具有不同種族的27位成人受試者(12位女性和15位男性)的立體聲視頻。使用PtGrey立體成像系統(tǒng)以高分辨率(1 024×768)采集圖像，由FACS專家手動對所有視頻幀的AU(0～5)強度進行評分。

5.3.2 AU分類與強度計算

87 492張圖片分為兩個數(shù)據(jù)集，其中86 224個子區(qū)域圖片為訓練集，1 268張人臉圖片為測試集，輸入至VGG-19網絡。

圖9與圖10分別展現(xiàn)了使用VGG-19網絡訓練30個Epoch和60個Epoch的效果。

圖9 訓練30個Epoch的效果

圖10 訓練60個Epoch的效果

可以看出，訓練至第30個Epoch時測試集的準確率幾乎不再發(fā)生改變，訓練至第60個Epoch時測試集的準確率為54.52%。

結果呈現(xiàn)為每個人臉圖片12種AU的強度(0～5)。以圖11為例，其12種AU的強度呈現(xiàn)在右側表中所示。

圖11 人臉圖片及其含有的AU強度

總體來看，該方法能基本滿足人臉AU分類與強度計算，實現(xiàn)人臉表情分類。因此，為提高精度，將引入一個加權處理層。

6 人臉表情分類優(yōu)化

為了提高VGG網絡進行人臉表情分類時的精度，本文將通過在VGG-19網絡中加入加權處理層，實現(xiàn)加權處理下的人臉表情分類。

6.1 加權處理層

加權處理層在VGG網絡中的位置如圖12所示。在這一層中，經過4組卷積層處理后的人臉圖片會根據(jù)含有的AU，被劃為若干個子區(qū)域，子區(qū)域的劃分是基于AU區(qū)域的中心。AU中心為完成每個AU所需的面部器官對應關鍵點構成的矩形中心，而以這些中心為中心的邊長6像素的正方形區(qū)域，為該AU中心的子區(qū)域。

圖12 加權處理層在VGG網絡中的位置

在劃分AU子區(qū)域后，對于子區(qū)域內的每個1*1像素塊，計算其到AU中心的曼哈頓距離。

設A為權重，d為該位置到AU中心的曼哈頓距離。由于經過第三個池化層和第四組卷積層處理后的圖片大小為28*28，子區(qū)域內每個位置的權重以該位置距離的0.1%進行衰減，即距離每增加1像素，權重減少0.028。A與d的關系如式(1)。

A=1-0.028d

(1)

6.2 結果比較

引入加權處理層后，訓練30個Epoch和60個Epoch的效果分別如圖13和圖14所示。

圖13 訓練30個Epoch的效果

圖14 訓練60個Epoch的效果

結果顯示，直接運用VGG-19網絡進行表情分類的測試集準確率在訓練60個Epoch時僅為54.52%，而引入加權處理層后的準確率達到了83.76%。即引入加權處理層能顯著提高VGG網絡進行表情分類的準確率。

7 結束語

本文采用了兩種提高準確率的方法：一是在數(shù)據(jù)預處理階段對圖片進行二次剪裁，實現(xiàn)數(shù)據(jù)增強，在運用VGG網絡進行訓練時使用疊加后的數(shù)據(jù)集，提高了準確率，同時避免了以往研究中為獲取龐大數(shù)據(jù)集而遇到的種種困難；二是在VGG-19網絡的第四組卷積層和第五組卷積層之前加入一個加權處理層，從而提高準確率，最終使測試集準確率相比未引入加權處理層時提高了53.63%。

在采用了提高準確率的新方法的同時，也存在一些有待改進之處，主要體現(xiàn)在人臉圖片樣本較為單一、缺少其它卷積神經網絡模型的對比、加權處理層作用較為單一等問題，有待進一步研究解決。