摘  要： 傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)表情識(shí)別系統(tǒng)由特征提取和神經(jīng)網(wǎng)絡(luò)分類器組成，利用人的經(jīng)驗(yàn)來獲取模式特征，很容易丟失表征表情特征的細(xì)節(jié)信息。提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別方法，避免了對(duì)圖像進(jìn)行復(fù)雜的特征提取，直接把圖像數(shù)據(jù)作為輸入。通過在Cohn-Kanade表情庫上的實(shí)驗(yàn)結(jié)果表明，該方法能夠取得很好的表情分類效果。

　　關(guān)鍵詞： 卷積神經(jīng)網(wǎng)絡(luò)；人臉表情識(shí)別

0 引言

　　表情識(shí)別已成為人類交流甚至人機(jī)交互過程的一個(gè)重要研究課題。關(guān)于面部表情識(shí)別的研究能幫助人們建立更加智能化和交互性良好的計(jì)算機(jī)系統(tǒng)。1971年，EKMAN P和FRIESEN W V研究了6種基本表情：高興、悲傷、驚訝、恐懼、憤怒和厭惡，并系統(tǒng)地建立了上千幅不同的人臉表情圖像庫[1]。由于人機(jī)交互研究的不斷深入和巨大的應(yīng)用前景，表情識(shí)別一直是模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。

　　在過去的幾十年內(nèi)，研究者已經(jīng)提出了很多基于神經(jīng)網(wǎng)絡(luò)（Back Propagation algorithm，BP）面部表情識(shí)別的方法。典型的多層神經(jīng)網(wǎng)絡(luò)（MLP）一般包括1~2個(gè)隱藏層，單純采用BP算法進(jìn)行訓(xùn)練[2]。有研究表明，增加MLP的隱藏層并不能提高網(wǎng)絡(luò)的性能，甚至?xí)蟠蠼档停硗釨P算法容易陷入局部最小值[3]，而且識(shí)別效果的好壞取決于人工選擇的特征是否合理。人工選取特征是一件費(fèi)時(shí)、費(fèi)力的方法，為了達(dá)到好的效果需要大量的特征，甚至需要依賴專業(yè)知識(shí)，有些領(lǐng)域難以實(shí)現(xiàn)。特征的數(shù)量和質(zhì)量成為識(shí)別系統(tǒng)發(fā)展的瓶頸。

　　為解決上述問題，本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別方法，直接在輸入表情圖像上自動(dòng)地學(xué)習(xí)多層特征和分類。實(shí)驗(yàn)證明，基于卷積神經(jīng)網(wǎng)絡(luò)的表情識(shí)別有較高的精度和很好的魯棒性。

1 卷積神經(jīng)網(wǎng)絡(luò)

　　1988年，LECUN Y等人[4]提出的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是第一個(gè)成功訓(xùn)練多層網(wǎng)絡(luò)的學(xué)習(xí)算法。CNN作為深度學(xué)習(xí)模型的一種，通過局部空間映射關(guān)系減少需要訓(xùn)練的參數(shù)數(shù)目來提高反向傳播算法的訓(xùn)練性能。2012年，HINTON G E等人[5]將CNN應(yīng)用于ImageNet（圖像識(shí)別目前最大的數(shù)據(jù)庫）上，采用deep net結(jié)構(gòu)，最終取得了非常驚人的結(jié)果，其結(jié)果相對(duì)原來方法好了很多（前5個(gè)錯(cuò)誤率由25%降低為17%）。由于CNN可以直接從原始圖像中學(xué)習(xí)模式特征，避免了復(fù)雜的特征提取和數(shù)據(jù)重建過程，已成功應(yīng)用于手寫字符識(shí)別[6]、人臉識(shí)別[7]、人眼檢測(cè)[8]、車牌字符識(shí)別[9]、交通信號(hào)識(shí)別[10]等眾多應(yīng)用領(lǐng)域。CNN的結(jié)構(gòu)框架和理論推導(dǎo)可參閱參考文獻(xiàn)[11]。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的算法結(jié)構(gòu)設(shè)計(jì)

　　本文采用6層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，包括2層卷積層（C）、2層抽樣層（S）和1層全連接層（F），如圖1所示。

　　CNNs網(wǎng)絡(luò)模型學(xué)習(xí)步驟如下：

　?。?）在C1層做卷積操作，本文使用5×5的窗口對(duì)輸入圖像進(jìn)行卷積操作，在這一層，如果需要，還會(huì)進(jìn)行包括圖像歸一化（本文將圖像大小歸一化為64×64）。本文在該層設(shè)置5幅特征圖，此時(shí)特征圖的大小為60×60。

　?。?）在S2中對(duì)C1進(jìn)行抽樣，抽樣窗口設(shè)置為2×2，此時(shí)特征圖數(shù)目不變?nèi)詾?幅，大小為30×30。

　?。?）C3設(shè)置了9幅特征圖，對(duì)S2進(jìn)行卷積，用5×5的卷積核，此時(shí)特征圖大小為26×26。

　?。?）在S4層對(duì)C3抽樣窗口設(shè)置為2×2，此時(shí)該層特征數(shù)目仍為9，大小為13×13。

　?。?）通過全連接到F5層，設(shè)置神經(jīng)元個(gè)數(shù)，神經(jīng)元的個(gè)數(shù)通常與分類的類別數(shù)有關(guān)，因此在輸出層F6設(shè)置6個(gè)神經(jīng)元。

　　（6）設(shè)計(jì)好網(wǎng)絡(luò)結(jié)構(gòu)后，用反向傳播算法，求取網(wǎng)絡(luò)的解。

　　（7）當(dāng)?shù)贸鏊形粗獏?shù)后，輸入一幅圖像，在網(wǎng)絡(luò)輸出層會(huì)給出輸出類別。

3 實(shí)驗(yàn)結(jié)果及分析

　　本文選取的實(shí)驗(yàn)樣本包括兩個(gè)部分：Cohn-Kanade表情庫和自拍的表情圖像。其中，Cohn-Kanade表情庫包含的圖像總數(shù)為1 825幅，分為憤怒（386幅）、驚訝（360幅）、厭惡（265幅）、恐懼（255幅）、高興（300幅）、悲傷（259幅）共6類；自拍的表情圖像包含的圖像總數(shù)為1 264幅，分為憤怒（211幅）、驚訝（215幅）、厭惡（204幅）、恐懼（214幅）、高興（210幅）、悲傷（210幅）6類。

　　為了驗(yàn)證本文方法的有效性，分別進(jìn)行3組實(shí)驗(yàn)。

　　（1）用Cohn-Kanade表情庫的樣本進(jìn)行訓(xùn)練和測(cè)試，一部分表情為訓(xùn)練樣本，一部分表情為測(cè)試樣本，且來自不同的人；每種表情均選擇其中90%作為訓(xùn)練樣本，10%作為測(cè)試樣本，循環(huán)10次，將10次的平均誤差作為測(cè)試結(jié)果，且實(shí)驗(yàn)中參加訓(xùn)練和測(cè)試的表情來自不同的人。測(cè)試結(jié)果如表1所示。

　　由表1可以看出，在Cohn-Kanade表情庫測(cè)試的識(shí)別率達(dá)到90%以上，實(shí)驗(yàn)證明，不做特征提取的卷積神經(jīng)網(wǎng)絡(luò)表情識(shí)別系統(tǒng)具備正確率高、泛化能力較強(qiáng)的能力。

　　圖2顯示了輸入表情圖像在卷積神經(jīng)網(wǎng)絡(luò)前幾層產(chǎn)生的特征圖，最左側(cè)是輸入人臉表情圖，從左到右依次是輸入層、C1層、S1層、C2層、S2層。從圖中可以看出，神經(jīng)網(wǎng)絡(luò)可以很好地提取表情特征。

　　（2）為了驗(yàn)證該算法的魯棒性，這部分實(shí)驗(yàn)采用自拍的圖像作為測(cè)試圖像。參加訓(xùn)練的表情圖像仍然來自Cohn-Kanade表情庫，測(cè)試表情來自實(shí)驗(yàn)室拍攝視頻剪輯成的圖像。測(cè)試結(jié)果如表2所示。

　　由表2可知，自拍表情方案的識(shí)別結(jié)果普遍較低，由于缺少充足的先驗(yàn)知識(shí)，并且亞洲人和歐美地區(qū)人的表情存在差異性，因此識(shí)別率偏低。

　?。?）為了提高識(shí)別率，將自拍圖像與Cohn-Kanade表情庫的圖像合并，然后重復(fù)第一個(gè)實(shí)驗(yàn)的方法，將合并后的表情庫圖像的90%作為訓(xùn)練樣本，10%作為測(cè)試樣本，循環(huán)10次進(jìn)行訓(xùn)練和測(cè)試，得到測(cè)試結(jié)果為10次的平均值。測(cè)試結(jié)果如表3所示。

　　由表3可知，部分表情識(shí)別率有所提高，而另一部分有所下降，平均識(shí)別率基本持平。實(shí)驗(yàn)表明，卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到樣本的共征，后一種情況間接證明了第二個(gè)實(shí)驗(yàn)的結(jié)論。

4 結(jié)論

　　卷積神經(jīng)網(wǎng)絡(luò)在處理二維圖像時(shí)有多個(gè)獨(dú)特優(yōu)點(diǎn)：（1）無需復(fù)雜的特征提??；（2）可以將二維圖像直接輸入到神經(jīng)網(wǎng)絡(luò)中，大大減少了預(yù)處理的難度；（3）局部野和權(quán)值共享技術(shù)減少了參數(shù)空間，大幅度降低了算法的復(fù)雜度；（4）次抽樣技術(shù)增強(qiáng)了網(wǎng)絡(luò)的魯棒性，能容忍圖像一定程度的畸變。本文將卷積神經(jīng)網(wǎng)絡(luò)的算法用于人臉表情的識(shí)別，實(shí)驗(yàn)結(jié)果顯示該方法有較高的識(shí)別率和較好的魯棒性。為了提高自拍圖像的識(shí)別率，下一步除了建立一個(gè)更豐富的表情庫之外，需要進(jìn)行將不同的卷積神經(jīng)網(wǎng)絡(luò)試驗(yàn)，尋找更適應(yīng)表情識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

　　參考文獻(xiàn)

　　[1] EKMAN P， FRIESEN W V. Constants across cultures in the face and emotion[J]. J Pers Soc Psychol 1971， 17(2)： 124-129.

　　[2] RUMELHART D E. Parallel distributed processing： exploration in the microstructure of cognition[M]. Cambridge， MA： MIT Press， 1986.

　　[3] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[J].北京：化學(xué)工業(yè)出版社，2001.

　　[4] LECUN Y， BOSER B， DENKER J S， et al. Backpropagation applied to handwritten zip code recognition[J]. Neural computation， 1989，1(4)：541-551.

　　[5] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks[C]. Advances in Neural Information Processing Systems 25 （NIPS′2012），2012.

　　[6] LECUN Y， BOTTOU L， BENGIO Y， et al． Gradient basedlearning applied to document recognition[C]. Proceedings of the IEEE， Berlin： IEEE，1998，86（11）：2278-2324．

　　[7] LAWRENCE S， LEE G C， TSOI A C， et al． Face recognition： a convolutional neural network approach[J]．IEEE Transonactions on Neural Networks，1997，8（1）：98-113．

　　[8] TIVIVE F H C， BOUZERDO W N A， et al． An eye feature detector based on convolutional neural network[C]. Proceedings of the Eighth International Symposium on Signal Processing and Its Applications， 2005，1：90-93.

　　[9] 趙志宏，楊紹普，馬增強(qiáng)，等.基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究[J].系統(tǒng)仿真學(xué)報(bào)，2010，22（3）：638-641.

　　[10] 陳先昌.基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D].杭州：浙江工商大學(xué)，2013.

　　[11] BOUVRIE J. Notes on convolutional neural networks[J].  Neural Nets， 2006.