臉部表情識別在突發(fā)事件預(yù)防方面的應(yīng)用.pdf

1、情緒對人類行為的影響已經(jīng)成為心理學(xué)的一個研究領(lǐng)域，然而有人認(rèn)為它僅僅是對人類的行為和反應(yīng)都有著密切的關(guān)系。這種誤解導(dǎo)致人們無視情緒影響在計算機(jī)研究領(lǐng)域的作用，其實(shí)現(xiàn)有的情感認(rèn)知系統(tǒng)越來越注重使用復(fù)雜是算法和硬件來檢測人類的情感。少數(shù)的最新系統(tǒng)認(rèn)識到存在的情緒影響工作，雖然它們的目的是使人們感到舒適，但卻缺乏一些主動性來防止由于情緒影響導(dǎo)致的不良后果。
　　 數(shù)據(jù)統(tǒng)計顯示，很多的突發(fā)事件都是和情緒有關(guān)的。這表明無視人類情緒在以計算

2、機(jī)為基礎(chǔ)的預(yù)防系統(tǒng)中的影響的時代已經(jīng)結(jié)束了。我們不僅僅要識別人類情感，更應(yīng)該很好的利用由它帶來的很多優(yōu)點(diǎn)。正是基于此，我們通過過去的突發(fā)事件及其中表現(xiàn)出來的表情來預(yù)防突發(fā)事件。我們的案例研究側(cè)重于沒有緊急預(yù)防措施的駕駛環(huán)境，情緒的影響不僅僅表現(xiàn)在駕駛技能上，同時也表現(xiàn)為周圍的環(huán)境。我們的工作主要分為兩大任務(wù)：臉部表情識別算法及緊急預(yù)防算法。
　　 臉部表情識別分為三個子任務(wù)：使用主成分分析法的人臉檢測，行動單元計算及基于隱馬爾可

3、夫模型的人臉表情識別。人臉檢測包括判斷一個幀是否為人臉部分，它使用由OpenCV實(shí)現(xiàn)的特征臉譜，強(qiáng)大的級聯(lián)分類器的識別可達(dá)到90-95％的可靠性。行為單元任務(wù)包括自動臉部行為單元識別，然而這通常是基于臉部動作編碼系統(tǒng)的手動過程。當(dāng)臉部被檢測之后，在臉部模型的基礎(chǔ)上對其重新縮放，幫助主要的臉部特征的定位，如眼睛、嘴、鼻子等。然后我們將臉分成上下兩部分的特征，這樣有助于計算當(dāng)前幀和中間幀的距離，從而判斷某個行為單元是否存在。行為單元用來表示

4、每一時間段的每一幀動作。表情識別任務(wù)使用基于極大似然概率的隱馬爾可夫模型來實(shí)現(xiàn)。
　　 隱馬爾可夫是馬爾可夫過程的一種表示，不能直接觀察到，只能通過一組其它的過程觀察，這些過程產(chǎn)生可觀察的對象序列，被稱為觀察者。該模型由三部分組成，它們分別是初始概率函數(shù)、狀態(tài)轉(zhuǎn)換矩陣及輸出觀察矩陣。它由固定數(shù)量的狀態(tài)，在我們的案例系統(tǒng)中是7中基本狀態(tài)，它們是高興、憤怒、悲傷、驚訝、厭惡和恐懼。它們都是由中間狀態(tài)隔離，建立狀態(tài)轉(zhuǎn)換概率。初始轉(zhuǎn)換概

5、率也設(shè)置在從0到1的數(shù)值之間，這意味著模型總是從中間狀態(tài)開始進(jìn)行。輸出觀察表現(xiàn)為一個連續(xù)的表示隱藏狀態(tài)功能的行為單元。此類模型處理三種類型的問題：概率評價，側(cè)重于如何有效的評估一個觀察輸出的可能性；最佳狀態(tài)序列，目的在于計算為模型系統(tǒng)輸出的序列的最有可能的路徑；模型重新估計，調(diào)整模型參數(shù)以建立一個可識別其它可觀察序列的信號模型。在本文的研究中，模型參數(shù)使用Baum-welch重新估計方法(也被稱為學(xué)習(xí)過程)進(jìn)行估計，可以提供對其他觀察序

6、列的識別的極大似然模型。此參數(shù)估計之后的結(jié)構(gòu)分類器ML，為每一種情感提供7中模型。接下來的識別任務(wù)就是使用正反過程計算7種模型構(gòu)造的基礎(chǔ)下可觀察的可能性。觀察序列按照觀察的概率大小進(jìn)行分類，由于免費(fèi)的臉部表情數(shù)據(jù)庫，我們的案例系統(tǒng)使用自己創(chuàng)建的數(shù)據(jù)庫來研究。通過測試表明，系統(tǒng)識別人臉表情的精確度達(dá)到89.2％。
　　 當(dāng)情感識別完成后，我們來處理突發(fā)事件的預(yù)防措施。預(yù)測突發(fā)事件的模型與情感識別系統(tǒng)中改變模型參數(shù)的意義是相同的。情

7、感識別任務(wù)的輸出和識別的精確度成為情感預(yù)防模型的輸出觀察量。它有兩個狀態(tài)：緊急與非緊急，為了保持文章描述的一致性，我們這樣稱它。必須明確的是，緊急狀態(tài)并非意味著必要的，或許就在那個時刻會有意外發(fā)生。給定當(dāng)前情感狀態(tài)及過去的事件，可以計算在時間t+k發(fā)生意外的可能性，t表示當(dāng)前時間。系統(tǒng)參數(shù)的學(xué)習(xí)及緊急預(yù)防分類構(gòu)建幾乎和我們使用Baum-Welch和正反過程的情感識別是一樣的完成任務(wù)。該算法可用于找出哪種情感狀態(tài)最有可能導(dǎo)致突發(fā)事件的發(fā)生