基于深度學習與傳統機器學習的人臉表情識別綜述

劉念 王楓

摘 要：新時期我國科學技術的快速發展及信息化產業規模的不斷擴大，為人機交互領域發展帶來了重要的保障作用，并提升了人臉表情識別研究水平。在此背景下，為了確保人臉表情識別有效性，需要注重與之相關的基于深度學習與傳統機器學習的研究工作落實。在此基礎上，計算機視覺領域的整體發展速度將逐漸加快，且人臉表情識別研究中也將得到更多的支持。因此，本文就基于深度學習與傳統機器學習的人臉表情識別展開論述。

關鍵詞：深度學習 傳統機器學習 人臉表情識別 計算機視覺領域

中圖分類號：TP391 文獻標識碼：A 文章編號：1672-3791（2018）02（a）-0039-02

實踐過程中做好基于深度學習與傳統機器學習的人臉表情識別研究工作，有利于滿足人機交互領域的發展需求，給予人臉表情識別必要的支持。因此，需要結合人臉表情識別的實際需要的功能特性，加強對深度學習與傳統機器學習的深入分析，了解二者實踐應用中的優勢所在，使得人臉表情識別研究工作落實能夠達到預期效果，促使我國信息化產業發展水平能夠保持在更高的層面上。

1 基于傳統機器學習的人臉表情識別綜述

在對基于傳統機器學習的人臉表情識別進行研究時，為了獲取有效的研究成果，則需要關注這些方面：實踐中的圖像預處理、實踐中的特征提取以及實踐中的特征分類。這3個部分的關系密切，缺一不可，需要在基于傳統機器學習的人臉表情識別研究中給予必要的關注，具體表現在以下幾個方面。

1.1 實踐中的圖像預處理

結合人臉表情識別研究的實際需要，在運用傳統機器學習算法的過程中應對其中的圖像預處理進行必要的考慮。具體表現為：（1）結合文獻[1]中所述的內容，可知在人臉表情識別中為了提出到有效的特征點，需要注重圖像預處理方式的合理運用。同時，在表情分類過程中，充分發揮出圖像預處理的實際作用，有利于增強其分類合理性。（2）為了保持圖像良好的處理效果，減少其處理過程中噪聲的干擾，則需要加強圖像預處理方式使用。實踐過程中若將圖像預處理應用于人臉表情識別中，將會對其識別中的干擾因素進行科學的處理，使得其研究工作落實能夠達到預期效果。在此基礎上，人臉表情識別將會在圖像預處理的支持下進行后續的一系列操作，使得其技術水平得以不斷提升。（3）結合人臉表情識別中圖像色彩信息處理需求，對其灰度歸一化、尺度大小等進行處理時，需要發揮出圖像預處理的優勢。同時，需要了解圖像預處理過程，并注重其中所需的不同去噪處理方法使用，像自適應中值濾波法好、維納濾波法等。在這些處理方法的支持下，能夠達到圖像處理中去噪處理的目的，使得最終得到的圖像質量更加可靠，滿足人臉表情識別的多樣化需求。除此之外，為了增強圖像處理效果，也需要加強直方均衡化方式使用。

1.2 實踐中的特征提取

結合人臉表情識別系統的結構特點及功能特性，可知其實踐應用中的核心部分為特征提取。在具體的操作過程中，為了提高人臉表情識別效率，需要技術人員能夠在特征提取方式的作用下，在有用的圖片信息中提取到所需的人臉表情信息。實踐過程中將特征提取應用于人臉表情識別過程中時，為了保持其良好的識別效果，則需要從這些方面入手：（1）結合文獻[2]中所述的內容，注重Gabor特征提取使用。在這種提取方式的支持下，能夠借助小波核函數的優勢，對人臉表情識別中的紋理特征進行更好的描述，進而在線性與非線性算法的共同支持下，確保人臉表情特征提取有效性。（2）加強局部二值算法使用。這種算法簡稱為LBP，實踐應用中能夠借助二維序關系與局部二維模式的作用，對圖像特征進行表述。在此基礎上，若加強該井后的LBP算法-全局部二值算法（GLBP）算法使用時，雖然其具有良好的識別效果，但會造成位維數災難現象的出現。因此，為了更好的識別人臉表情，需要注重局部定向模式（LDP算法）使用，確保人臉表情特征提取的穩定性。（3）結合人臉表情識別的實際需要，在其特征提取中注重主動形狀模型、光流法、特征點追蹤法等不同方法使用，確保其特征提取有效性。

1.3 實踐中的特征分類

基于傳統機器學習的人臉表情識別，也需要考慮其識別中的特征分類。具體表現為：（1）為了保持良好的分類性能，需要加強K-NN算法使用。但該算法的分類效率低，需要根據實際情況進行選用。（2）根據人臉表情識別中的特征分類需求，注重貝葉斯、SVM等不同特征分類算法使用，確保其識別中的特征分類效果良好性。

2 基于深度學習的人臉表情識別綜述

（1）結合文獻[3]中所述的內容，在人機交互領域發展過程中，受到大數據時代到來的影響，傳統的機器學習算法實踐應用中難以滿足人臉表情識別中的智能化需求。因此，為了避免在人臉表情識別中出現較為繁瑣的圖像預處理、特征提取等步驟，則需要加強深度學習算法使用。在此期間，為了提高人臉表情識別效率，滿足其識別過程中的信息資源共享要求，則需要注重端到端（CNN）模式使用。該模式本質上是一種對人工神經網絡改進的模式，具有良好的實踐應用效果。

（2）通過對文獻[2]與[3]中所述內容的深入分析，將深度學習應用于人臉表情識別過程中時，為了使其能夠具備自主學習能力，且能準確地提取到所需的輸入信號特征，則需要加強深度信念網絡（DBN）使用。在這種深度學習方式的作用下，能夠使人臉表情識別中具備自主學習能力，且在信息技術與計算機網絡的支持下，使得人臉表情特征提取中能夠增強準確性，并保持其良好的識別效果。

（3）由于深度學習實踐應用中取得了良好的作用效果，因此，未來使人臉表情識別中能夠提高其利用效率，挖掘出其潛在的應用價值，則需要了解該算法未來的發展方向。結合文獻[4]中所述的內容，未來深度學習發展中需要優化其算法模型性能，并結合人臉表情識別的實際需求，確保網絡深度良好性，且在與傳統機器學習算法的配合作用下，增加自身的技術含量。同時，深度學習算法發展中應完善自身的常用應用框架，且在Lua語言的支持下，構建出更多的訓練模型，編寫出相應的層級，確保自身的應用狀況良好性。長此以往，基于深度學習的人臉表情識別研究水平將逐漸提升。

3 結語

綜上所述，做好基于深度學習與傳統機器學習的人臉表情識別研究工作，具有重要的現實參考意義：有利于促進人機交互領域的可持續發展，并擴大人臉表情識別的實際應用范圍，給予我國信息化產業發展水平提升科學保障。因此，未來人臉表情識別研究工作落實中，在了解傳統機器學習在其應用中優缺點的基礎上，需要給予深度學習支持下的人臉表情識別更多的關注，并對其實踐應用效果進行科學評估，以便提高深度學習利用效率，最大限度地滿足人臉表情識別的實際需求。

參考文獻

[1] 王文濤.深度學習結合支持向量機在人臉表情識別中的應用研究[D].長安大學，2016.

[2] 牛新亞.基于深度學習的人臉表情識別研究[D].華南理工大學，2016.

[3] 盧宏濤，張秦川.深度卷積神經網絡在計算機視覺中的應用研究綜述[J].數據采集與處理，2016，31（1）：1-17.

[4] 葉長明.三維人臉識別中若干關鍵問題研究[D].合肥工業大學，2012.