基于深度学习与传统机器学习的人脸表情识别综述

刘念 王枫

摘 要：新时期我国科学技术的快速发展及信息化产业规模的不断扩大，为人机交互领域发展带来了重要的保障作用，并提升了人脸表情识别研究水平。在此背景下，为了确保人脸表情识别有效性，需要注重与之相关的基于深度学习与传统机器学习的研究工作落实。在此基础上，计算机视觉领域的整体发展速度将逐渐加快，且人脸表情识别研究中也将得到更多的支持。因此，本文就基于深度学习与传统机器学习的人脸表情识别展开论述。

关键词：深度学习 传统机器学习 人脸表情识别 计算机视觉领域

中图分类号：TP391 文献标识码：A 文章编号：1672-3791（2018）02（a）-0039-02

实践过程中做好基于深度学习与传统机器学习的人脸表情识别研究工作，有利于满足人机交互领域的发展需求，给予人脸表情识别必要的支持。因此，需要结合人脸表情识别的实际需要的功能特性，加强对深度学习与傳统机器学习的深入分析，了解二者实践应用中的优势所在，使得人脸表情识别研究工作落实能够达到预期效果，促使我国信息化产业发展水平能够保持在更高的层面上。

1 基于传统机器学习的人脸表情识别综述

在对基于传统机器学习的人脸表情识别进行研究时，为了获取有效的研究成果，则需要关注这些方面：实践中的图像预处理、实践中的特征提取以及实践中的特征分类。这3个部分的关系密切，缺一不可，需要在基于传统机器学习的人脸表情识别研究中给予必要的关注，具体表现在以下几个方面。

1.1 实践中的图像预处理

结合人脸表情识别研究的实际需要，在运用传统机器学习算法的过程中应对其中的图像预处理进行必要的考虑。具体表现为：（1）结合文献[1]中所述的内容，可知在人脸表情识别中为了提出到有效的特征点，需要注重图像预处理方式的合理运用。同时，在表情分类过程中，充分发挥出图像预处理的实际作用，有利于增强其分类合理性。（2）为了保持图像良好的处理效果，减少其处理过程中噪声的干扰，则需要加强图像预处理方式使用。实践过程中若将图像预处理应用于人脸表情识别中，将会对其识别中的干扰因素进行科学的处理，使得其研究工作落实能够达到预期效果。在此基础上，人脸表情识别将会在图像预处理的支持下进行后续的一系列操作，使得其技术水平得以不断提升。（3）结合人脸表情识别中图像色彩信息处理需求，对其灰度归一化、尺度大小等进行处理时，需要发挥出图像预处理的优势。同时，需要了解图像预处理过程，并注重其中所需的不同去噪处理方法使用，像自适应中值滤波法好、维纳滤波法等。在这些处理方法的支持下，能够达到图像处理中去噪处理的目的，使得最终得到的图像质量更加可靠，满足人脸表情识别的多样化需求。除此之外，为了增强图像处理效果，也需要加强直方均衡化方式使用。

1.2 实践中的特征提取

结合人脸表情识别系统的结构特点及功能特性，可知其实践应用中的核心部分为特征提取。在具体的操作过程中，为了提高人脸表情识别效率，需要技术人员能够在特征提取方式的作用下，在有用的图片信息中提取到所需的人脸表情信息。实践过程中将特征提取应用于人脸表情识别过程中时，为了保持其良好的识别效果，则需要从这些方面入手：（1）结合文献[2]中所述的内容，注重Gabor特征提取使用。在这种提取方式的支持下，能够借助小波核函数的优势，对人脸表情识别中的纹理特征进行更好的描述，进而在线性与非线性算法的共同支持下，确保人脸表情特征提取有效性。（2）加强局部二值算法使用。这种算法简称为LBP，实践应用中能够借助二维序关系与局部二维模式的作用，对图像特征进行表述。在此基础上，若加强该井后的LBP算法-全局部二值算法（GLBP）算法使用时，虽然其具有良好的识别效果，但会造成位维数灾难现象的出现。因此，为了更好的识别人脸表情，需要注重局部定向模式（LDP算法）使用，确保人脸表情特征提取的稳定性。（3）结合人脸表情识别的实际需要，在其特征提取中注重主动形状模型、光流法、特征点追踪法等不同方法使用，确保其特征提取有效性。

1.3 实践中的特征分类

基于传统机器学习的人脸表情识别，也需要考虑其识别中的特征分类。具体表现为：（1）为了保持良好的分类性能，需要加强K-NN算法使用。但该算法的分类效率低，需要根据实际情况进行选用。（2）根据人脸表情识别中的特征分类需求，注重贝叶斯、SVM等不同特征分类算法使用，确保其识别中的特征分类效果良好性。

2 基于深度学习的人脸表情识别综述

（1）结合文献[3]中所述的内容，在人机交互领域发展过程中，受到大数据时代到来的影响，传统的机器学习算法实践应用中难以满足人脸表情识别中的智能化需求。因此，为了避免在人脸表情识别中出现较为繁琐的图像预处理、特征提取等步骤，则需要加强深度学习算法使用。在此期间，为了提高人脸表情识别效率，满足其识别过程中的信息资源共享要求，则需要注重端到端（CNN）模式使用。该模式本质上是一种对人工神经网络改进的模式，具有良好的实践应用效果。

（2）通过对文献[2]与[3]中所述内容的深入分析，将深度学习应用于人脸表情识别过程中时，为了使其能够具备自主学习能力，且能准确地提取到所需的输入信号特征，则需要加强深度信念网络（DBN）使用。在这种深度学习方式的作用下，能够使人脸表情识别中具备自主学习能力，且在信息技术与计算机网络的支持下，使得人脸表情特征提取中能够增强准确性，并保持其良好的识别效果。

（3）由于深度学习实践应用中取得了良好的作用效果，因此，未来使人脸表情识别中能够提高其利用效率，挖掘出其潜在的应用价值，则需要了解该算法未来的发展方向。结合文献[4]中所述的内容，未来深度学习发展中需要优化其算法模型性能，并结合人脸表情识别的实际需求，确保网络深度良好性，且在与传统机器学习算法的配合作用下，增加自身的技术含量。同时，深度学习算法发展中应完善自身的常用应用框架，且在Lua语言的支持下，构建出更多的训练模型，编写出相应的层级，确保自身的应用状况良好性。长此以往，基于深度学习的人脸表情识别研究水平将逐渐提升。

3 结语

综上所述，做好基于深度学习与传统机器学习的人脸表情识别研究工作，具有重要的现实参考意义：有利于促进人机交互领域的可持续发展，并扩大人脸表情识别的实际应用范围，给予我国信息化产业发展水平提升科学保障。因此，未来人脸表情识别研究工作落实中，在了解传统机器学习在其应用中优缺点的基础上，需要给予深度学习支持下的人脸表情识别更多的关注，并对其实践应用效果进行科学评估，以便提高深度学习利用效率，最大限度地满足人脸表情识别的实际需求。

参考文献

[1] 王文涛.深度学习结合支持向量机在人脸表情识别中的应用研究[D].长安大学，2016.

[2] 牛新亚.基于深度学习的人脸表情识别研究[D].华南理工大学，2016.

[3] 卢宏涛，张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理，2016，31（1）：1-17.

[4] 叶长明.三维人脸识别中若干关键问题研究[D].合肥工业大学，2012.