基于机器学习的笑脸检测

摘 要
目前已经有很多的基于机器学习的方法用来进行人脸面部表情分析，然而，它们中的大部分都是在公开人脸库上进行测试。这些公开库里面仅有为数不多的几个人的图片，而且通常都是光照条件良好的图片。因此，用这些公开库做的表情分析算法，当应用在实际图片中的情况下，并不见得能取得较好的效果。为提升人工智能环境下笑脸表情识别正确率, 将笑脸表情识别与人工智能更好地结合起来, 进行笑脸识别技术研究。采用Viola-Jones算法检测人脸, 利用Gabor和HOG两种特征提取方法提取人脸特征和嘴部特征, 将提取的特征交叉组合成融合特征, 输入到支持向量机进行分类, 达到笑脸识别目的。另外提出了一种基于嘴角坐标关系的笑脸检测识别方法, 该方法采用Shi&Tomasi角点检测算法对嘴部进行角点检测得到嘴部特征, 再通过计算嘴角坐标平均值进行笑脸识别。实验结果表明, 基于嘴角坐标法识别笑脸正确率为92%, 高于Gabor和HOG特征提取方法。
关键词 角点检测；笑脸检测；特征提取；支持向量机；特征曲线
 

引言
面部表情是由人脸肌肉的运动形成的, 是情感变化在面部可观察到的表现。面部表情的变化能显示人的心理活动, 调整人之间的社会行为。随着服务机器人产业的兴起, 模式识别走进大众视野, 人们对表情的研究也逐渐增多。其中笑脸识别技术被广泛应用于机器人视觉及数码相机等智能设备。
近年来研究学者提出了多种笑脸检测的方法, 例如深圳华为技术有限公司获得了笑脸检测发明专利权, 其原理主要是通过获取到的人脸视频中嘴部的运动信息来判断是否检测到笑脸;何聪利用一种高层次仿真生物视觉方法来实现笑脸的识别与分类, 该方法主要基于生物启发特征来进行笑脸的特征提取和分类;陈俊研究了基于生物启发特征的真实环境下的笑脸识别, 构造了一个符合人类识别机制的笑脸分类系统；郭礼华等人利用分层梯度方向直方图 (Pyramid Histogram of Oriented Gradients, PHOG) 特征与聚类特征选择进行笑脸识别;严新平融合局部二值模式 (LOCAL BinarPa