基于深度学习与传统机器学习的人脸表情识别综述

1、基于深度学习与传统机器学习的人脸表情识别综述 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）

2、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?魍郴 ?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

3、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

4、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

5、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

6、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

7、， 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

8、（ 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

9、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