摘  要：考慮到人臉表情識(shí)別問題在未來的科學(xué)應(yīng)用中可能出現(xiàn)的樣本分布不均勻的情況，在提高識(shí)別率的基礎(chǔ)上，針對(duì)這類問題進(jìn)行了實(shí)驗(yàn)研究，將一種改進(jìn)的AdaBoost算法與SVM結(jié)合運(yùn)用到表情分類當(dāng)中。實(shí)驗(yàn)結(jié)果表明，在出現(xiàn)稀有樣本的情況下，相對(duì)于普通的AdaBoost訓(xùn)練SVM以及單純的SVM進(jìn)行多分類的方法，該算法在識(shí)別率方面有了很大提高。
關(guān)鍵詞： 人臉表情識(shí)別；預(yù)處理；Gabor變換；IAdaBoost

　對(duì)人類面部的表情本質(zhì)信息進(jìn)行特征的提取分析，并利用人類的認(rèn)知和思維方式對(duì)其歸類及理解，參考人們?cè)谇楦蟹矫嫠哂械南闰?yàn)知識(shí)讓計(jì)算機(jī)思考和推理，從而據(jù)此從人們的面部表情中分析并理解他們的情緒，這就是人類面部表情識(shí)別所要做的工作[1]。
　本文采用一種改進(jìn)的AdaBoost算法[2]與支持向量機(jī)[3]組合的分類方法，使其能夠處理多分類的表情問題，采用該方法的最大優(yōu)點(diǎn)是能夠在實(shí)驗(yàn)的訓(xùn)練過程中考慮分布稀疏樣本的重要性，使得稀有類別中的樣本也能具有較高權(quán)值，并且采用了規(guī)則抽樣的方法，使得其可以較大概率地被選中，這樣在之后的迭代過程中更容易被抽到，從而可以有效避免分類器忽視稀有類這一現(xiàn)象的發(fā)生，使稀有類樣本正確劃分更有利。
之所以采用這種分類，是因?yàn)樗芯康谋砬榉诸悊栴}，其最終目的還是要應(yīng)用到實(shí)際生活當(dāng)中，六類表情在人們的生活當(dāng)中出現(xiàn)的概率肯定是不盡相同的，像厭惡、悲傷的表情還是要比高興少，當(dāng)出現(xiàn)樣本分布不均勻的分類情況下，本文研究的算法就可能體現(xiàn)出價(jià)值。
1  系統(tǒng)概要
　通常來說，把一個(gè)完善的人臉表情識(shí)別過程分成人臉的檢測(cè)過程、人臉本質(zhì)特征的提取過程以及表情的分類過程3個(gè)小環(huán)節(jié)。因此，如果建立一個(gè)正常的表情識(shí)別系統(tǒng)，第一步需要對(duì)人們的面部進(jìn)行檢測(cè)和定位[4]，其后通常還有一個(gè)預(yù)處理[5]的過程，進(jìn)行預(yù)處理的主要目的是盡量除去圖像因采集因素差異而造成的不同，確保了圖像能有一個(gè)同等的實(shí)驗(yàn)環(huán)境，這樣再進(jìn)行表情識(shí)別的研究，就可以有效地提高識(shí)別的效率。第二步把靜態(tài)圖像或動(dòng)態(tài)的視頻序列中能表征人臉表情本質(zhì)的信息提取出來，其后通常有一個(gè)二次特征降維[6]的過程，來進(jìn)一步降低提取特征的維數(shù)。第三步進(jìn)行特征分類[7]，即將輸入到系統(tǒng)的人臉表情正確地分類到相應(yīng)的類中。系統(tǒng)核心框架如圖1所示。

1.1 人臉檢測(cè)
　目前，已有很多的人臉檢測(cè)算法，本文采用由Paul Viola等人提出的基于Haar小波基函數(shù)的的矩形特征與級(jí)聯(lián)的Boosted機(jī)器學(xué)習(xí)相結(jié)合的對(duì)象探測(cè)算法進(jìn)行人臉檢測(cè)。首先利用樣本（大約幾百幅樣本圖片）的Haar特征進(jìn)行分類器的訓(xùn)練，得到一個(gè)級(jí)聯(lián)Boosted分類器，分類器訓(xùn)練完以后，就可以應(yīng)用于輸入圖像中的感興趣區(qū)域的檢測(cè)。為了檢測(cè)整幅圖像，可以在圖像中移動(dòng)搜索窗口，檢測(cè)每一個(gè)位置來確定可能的目標(biāo)。為了搜索不同大小的目標(biāo)物體，分類器被設(shè)計(jì)為可以進(jìn)行尺寸改變，這樣，為了在圖像中檢測(cè)未知大小的目標(biāo)物體，掃描程序通常需要用不同比例大小的搜索窗口對(duì)圖像進(jìn)行多次掃描。
　Intel開源OpenCV計(jì)算機(jī)視覺庫(kù)已經(jīng)有效地實(shí)現(xiàn)了該算法。本文利用OpenCV庫(kù)函數(shù)進(jìn)行人臉檢測(cè)，從輸入圖像中獲取人臉的位置和尺寸信息。為了有效地檢測(cè)到人臉位置，又不致于使檢測(cè)掃描的次數(shù)過多影響系統(tǒng)運(yùn)行時(shí)間，本文在日本ATR女性表情數(shù)據(jù)庫(kù)（JAFFE）[8]和CMU的Cohn-KanadeAU表情數(shù)據(jù)庫(kù)[9]上進(jìn)行了人臉檢測(cè)的實(shí)驗(yàn)。首先對(duì)圖像庫(kù)待檢測(cè)的圖像進(jìn)行了分析計(jì)算，以獲取圖像類Haar特征[10]，再利用訓(xùn)練好的AdaBoost算法來處理這些得到的類Haar特征，以檢測(cè)待測(cè)圖像，最終顯示出了人臉的具體位置。在日本ATR女性表情數(shù)據(jù)庫(kù)（JAFFE）上所做實(shí)驗(yàn)的部分檢測(cè)結(jié)果如圖2所示。

1.2 圖像預(yù)處理
　因?yàn)椴杉O(shè)施的差異、光照因素的不同以及環(huán)境背景的變換等因素會(huì)影響到所輸入到系統(tǒng)的圖像，因此，在進(jìn)行表情特征提取前，檢測(cè)獲取的人臉區(qū)域還需要進(jìn)行另外的一些處理，這就是通常所講的預(yù)處理操作。
圖像的預(yù)處理步驟通常包括了尺寸的歸一化、噪聲的去除以及灰度的均衡化等，正如前文所說，這樣做的目的是盡量消除圖像采集因素間的差異，以確保圖像能有一個(gè)同等的實(shí)驗(yàn)環(huán)境，這樣再進(jìn)行表情識(shí)別的研究，就可以有效地提高識(shí)別的效率。
　本文采用的圖像預(yù)處理大致步驟如圖3所示。

2 特征提取和降維
2.1 Gabor特征提取
　由Gabor函數(shù)經(jīng)過尺度的伸縮及旋轉(zhuǎn)而生成的一組復(fù)函數(shù)系，稱為Gabor小波[11]，其具有的多分辨率特性以及良好的時(shí)頻局部化特征，使得它可以提取到待測(cè)圖像局部細(xì)微的變化，因此，它很適合于人臉表情特征提取。此外，其對(duì)于光照的變化不敏感，具有較好的光照性。
　被用作提取特征和表征圖像的方法，Gabor濾波器在圖像分析、圖像識(shí)別等領(lǐng)域得到了很大程度的應(yīng)用，這里關(guān)于它的原理就不再贅述，主要說下本文的思路和實(shí)現(xiàn)。
　假如對(duì)整個(gè)待測(cè)的圖片直接做Gabor變換[12]，經(jīng)過實(shí)驗(yàn)得到的維數(shù)是非常大的，因此為了便于后續(xù)的表情分類，可以設(shè)想，由于人們的每一種表情其實(shí)主要是在眉毛、眼和嘴部等這些個(gè)最能代表面部表情特征的區(qū)域進(jìn)行了較為集中的展現(xiàn)，因此就可以對(duì)第一步人臉檢測(cè)過程中，通過圖像的預(yù)處理已經(jīng)定位出的表情區(qū)域進(jìn)行有目的的選擇，即選擇最能代表人臉表情本質(zhì)信息的區(qū)域，并對(duì)這些個(gè)區(qū)域進(jìn)行一些網(wǎng)格化的處理。這樣不但可以使特征向量的維數(shù)有效地減少，還保留了原始表情本質(zhì)信息的有效性。經(jīng)過試驗(yàn)比對(duì)，最終選取了Gabor的核函數(shù)窗口為61×61，變換頻率總數(shù)為3，變換方向總數(shù)為7的情況來獲得最佳的識(shí)別率。而對(duì)于表情區(qū)域的網(wǎng)格化，則選取了眼部區(qū)域尺寸為35×42，嘴部區(qū)域尺寸為28×63，表情的子網(wǎng)格顆粒尺寸為7×7的情況來獲取最佳的識(shí)別率。Gabor濾波器提取表情特征的大致步驟如圖4所示。

2.2 AdaBoost二次降維
　雖然區(qū)域化選擇表情特征使得提取到的特征圖像維數(shù)有了一定程度的降低，但是對(duì)于識(shí)別分類的要求而言，其維數(shù)還是比較高的，因此，本文又選取了AdaBoost的修改算法進(jìn)行二次降維。在這個(gè)過程中，令每一個(gè)弱分類器僅僅對(duì)應(yīng)于1個(gè)特征，并且由特征值大小來對(duì)分類進(jìn)行判斷，這樣一來，Adaboost對(duì)于弱分類器的挑選過程也就成了對(duì)于特征的挑選過程。整個(gè)特征提取的過程如圖5所示。

3 基于改進(jìn)的AdaBoost算法的表情分類
3.1 AdaBoost算法
　AdaBoost算法是一種分類器算法。具體來說，AdaBoost學(xué)習(xí)算法的核心思想是從一個(gè)很大的特征集中選擇很小的一部分關(guān)鍵的視覺特征，從而產(chǎn)生一個(gè)及其有效的分類器。它利用大量的分類能力一般的簡(jiǎn)單分類器通過一定的方法疊加（Boost）起來，構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器，再將若干個(gè)強(qiáng)分類器串聯(lián)成為分級(jí)分類器（Classifier Cascade）完成圖像搜索檢測(cè)。串聯(lián)的級(jí)數(shù)依賴于系統(tǒng)對(duì)錯(cuò)誤率和識(shí)別速度的要求。這種用“Cascade”來不斷組合成更復(fù)雜的分類器的方法可以使圖像的背景區(qū)域能夠很快地被排除掉，而將更多的計(jì)算花費(fèi)在更有希望成為目標(biāo)的區(qū)域。對(duì)于每一種特征而言，弱學(xué)習(xí)器決定弱分類器的最佳的門限值，使其具有最小的誤分樣本數(shù)。全部的檢測(cè)過程的形式就是這樣的一個(gè)退化的決策樹。

3.2 IAdaBoost算法
　本文采用把AdaBoost應(yīng)用到SVM的多類分類方法，不同之處是對(duì)AdaBoost中隨機(jī)抽樣的方法做了改進(jìn)，采用了規(guī)則的抽樣方法來提高分類器的泛化能力，把按照這樣的方法改進(jìn)的AdaBoost算法叫做IAdaBoost算法[13]。
　IAdaBoost是利用AdaBoost迭代的思想訓(xùn)練支持向量機(jī)的基分類器。AdaBoost本身用的是抽樣處理，即把自助的樣本集從原始的數(shù)據(jù)集中提取出來，并自適應(yīng)地進(jìn)行多輪迭代，但該算法在建立稀有類的分類模型上有局限性，而IAdaBoost可以很好地解決此類問題。它使用了規(guī)則抽樣，并用樣本所在類的規(guī)模來標(biāo)記樣本的初始權(quán)重，賦予了稀有類樣本比較高的權(quán)值，使得這些樣本能夠擁有較大的概率在規(guī)則抽樣中被選中，并且在迭代過程中較容易被抽到，從而使得分類器忽視稀有類的現(xiàn)象得以避免?？梢?，IAdaBoost算法在處理具有稀有類的分類問題上，相比AdaBoost算法有了改進(jìn)。

4 實(shí)驗(yàn)與分析
　在日本ATR女性表情數(shù)據(jù)庫(kù)和CMU的Cohn-KanadeAU表情數(shù)據(jù)庫(kù)上針對(duì)除中性之外的六種表情，進(jìn)行了兩組對(duì)照試驗(yàn)，即在表情數(shù)據(jù)庫(kù)上做每類樣本大致相同時(shí)和某幾類樣本明顯減少時(shí)的對(duì)照試驗(yàn)來檢測(cè)本文方法的可行性。本文將悲傷和厭惡兩類樣本作為了稀有樣本，將其樣本數(shù)量減少至一半，這也是主要考慮到在以后的社會(huì)應(yīng)用中，此類樣本出現(xiàn)的概率肯定要比高興等其他表情要少，凸顯了本文的研究目的。在日本ATR女性表情數(shù)據(jù)庫(kù)上進(jìn)行的不同算法多次實(shí)驗(yàn)的平均識(shí)別水平如表1和2所示，在CMU的Cohn-KanadeAU表情數(shù)據(jù)庫(kù)上進(jìn)行的不同算法多次實(shí)驗(yàn)的平均識(shí)別水平如表3和4所示。

　本文針對(duì)人臉表情識(shí)別問題在未來的科學(xué)應(yīng)用中可能出現(xiàn)的樣本分布不均勻的情況，在提高識(shí)別率的基礎(chǔ)上，采用IAdaBoost訓(xùn)練SVM的多分類方法很好地解決了這一問題，在實(shí)驗(yàn)中使用規(guī)則抽樣，并用樣本所在類的規(guī)模來標(biāo)記樣本的初始權(quán)重，賦予了稀有類樣本比較高的權(quán)值，使得這些樣本在規(guī)則抽樣中被選中的概率較大，并且在迭代過程中較容易被抽到，從而使得分類器忽視稀有類的現(xiàn)象得以避免，并達(dá)到了很好的效果。
參考文獻(xiàn)
[1] 王志良，陳鋒軍，薛為民.人臉表情識(shí)別方法綜述[J].計(jì)算機(jī)應(yīng)用與軟件，2003，20（12）：63-66.
[2] 武妍，項(xiàng)恩寧.動(dòng)態(tài)權(quán)值預(yù)劃分實(shí)值A(chǔ)daboost人臉檢測(cè)算法[J].計(jì)算機(jī)工程，2007，33（3）：208-209.
[3] 應(yīng)自爐，唐京海，李景文.支持向量鑒別分析及在人臉表情識(shí)別中的應(yīng)用[J].電子學(xué)報(bào)，2008，36（4）：725-730.
[4] 梁路宏，艾海舟.人臉檢測(cè)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2002，25（5）：449-458.
[5] 孔凡芝，張興周，謝耀菊.基于Adaboost的人臉檢測(cè)技術(shù)[J].應(yīng)用科技，2005，32（6）：7-9.
[6] 王志良，劉芳，王莉.基于計(jì)算機(jī)視覺的表情識(shí)別技術(shù)綜述[J].計(jì)算機(jī)工程，2006，32（11）：231-233.
[7] 章品正，王征，趙宏玉.面部表情特征抽取的研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2006，38（9）：38-42.
[8] LYONS M， BUDYNEK J， AKAMASTU S. Automatic classification of single facial images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1999， 21 （12）： 1357-1362.
[9] KANADE T， COHN J F， TIAN Y. Comprehensive database for facial expression analysis[C]. Proceedings of the Fourth International Conference of Face and Gesture Recognition， Grenoble， France， 2000： 46-53.
[10] LIENHART R， MAYDT J. An extended set of Haar-like features for rapid object detection[C]. IEEE ICIP 2002， 2002， 1： 900-903.
[11] 印勇，史金玉，劉丹平.基于Gabor小波的人臉表情識(shí)別[J].光電工程，2009，36（5）：111-1169.
[12] 王化勇，李昕.基于改進(jìn)的Gabor和ADABOOST的人臉表情識(shí)別[J].遼寧工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2010，30（1）：17-19.
[13] 李亞軍，劉曉霞，陳平.改進(jìn)的AdaBoost算法與SVM的組合分類器[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（32）：140-142.