黃永明，章國寶，劉海彬，達飛鵬

(東南大學(xué)自動化學(xué)院，南京 210096)

情感在人類交流中具有重要作用．情感檢測系統(tǒng)也在遠程教學(xué)[1]、電子機器寵物[2]、輔助測謊[3]、自動遠程電話服務(wù)中心[4]以及臨床醫(yī)學(xué)[5]等方面有著廣闊的應(yīng)用前景．語音信號視頻信號都能傳遞豐富的情感信息，由于音頻、視頻在情感檢測上都存在一些固有的缺陷，從單一的途徑來進行情感檢測已經(jīng)越來越不能滿足工程的實際需求，因此，從雙模提取互補性的特征成為提高識別率的新途徑．

多分類器信息融合，首先是分類器之間要有差異性，且融合算法要考慮分類器對各種情感的敏感度，這樣才能得到較好的信息融合效果．對于分類器選擇，如果選用同性質(zhì)的分類器，雖然融合簡單，但無法保證分類器的差異性．對于融合算法，簡單采用多個分類器的投票法、加法法則、乘法法則，由于沒有考慮到分類器的差異性，故而分類效果并不理想；采用傳統(tǒng)的融合算法融合，雖然考慮到分類器的差異性，但卻忽略了分類器本身對特定情感的敏感度，并不能保證有更好的分類效果；使用層疊泛化算法，即引入二級分類器對一級分類器的結(jié)果進行仲裁[6]，這樣雖然考慮得比較全面，但是二級分類器的物理意義顯得很不明確，也不容易收斂，并不能保證有更好的分類效果，并且引入二級分類器，使系統(tǒng)的訓(xùn)練和識別的運算復(fù)雜度提高，影響實時性．

針對這些問題，筆者從音頻、視頻提取雙模特征參數(shù)，引入了不同性質(zhì)的分類器，即基于概率統(tǒng)計的混合高斯模型(Caussian mixture models，GMMs)分類器和基于函數(shù)擬合的小波神經(jīng)網(wǎng)絡(luò)(module wavelet neural network，MWNN)分類器；為保證分類器間的差異性，引入表情圖片特征的一階、二階差分特征向量對GMMs 進行了時序化補償；在分類器輸出匹配化后，引入了基因遺傳算法(genetic algorithm，GA)信息融合算法，充分發(fā)揮各分類器本身對特定情感的敏感特性，達到較好的融合效果．為了比較，本文還進行了單獨MWNN 識別、單獨GMMs 識別、無差別投票法、加法法則、乘法法則和層疊泛化算法(其二級分類器為BP 神經(jīng)網(wǎng)絡(luò))識別實驗，為了更好地參照效果，針對本文的特定情況(只有2 個分類器，且分類器性質(zhì)不同)，將以上傳統(tǒng)融合算法進行了匹配化輸出融合改進．

1 系統(tǒng)設(shè)計

1.1 整體流程

如圖1 所示，整個流程大致分為信號處理與情感訓(xùn)練識別兩大部分．首先，對麥克風(fēng)的語音輸入進行適當?shù)念A(yù)處理以獲取有效的語音信號，這些預(yù)處理包括分幀、預(yù)加重、端點檢測等；對攝像頭捕獲的表情視頻文件分幀，每幀轉(zhuǎn)成圖片格式，然后進行人臉檢測、定位等預(yù)處理以獲取有效的表情圖片信息．隨后，從這些處理過的語音信號里提取韻律特征、處理過的表情圖片提取人臉幾何特征分別形成特征向量．最后，語音韻律特征向量和人臉幾何特征向量都利用主元分析法(principle component analgs，PCA)來降維，從而獲取最終的特征向量．

在訓(xùn)練階段，基于語音訓(xùn)練樣本的韻律特征被用來訓(xùn)練MWNN 模型，從表情圖片訓(xùn)練樣本提取幾何特征來訓(xùn)練GMMs 模型．在模型訓(xùn)練好的基礎(chǔ)上，再次將訓(xùn)練樣本輸入到MWNN 模型和GMMs 模型，將識別結(jié)果形成一個新的樣本空間，用GA 在這個樣本空間里搜索最優(yōu)的融合系數(shù)向量其中每個λ分別對應(yīng)一種情感．在識別階段，音頻測試樣本經(jīng)韻律特征參數(shù)提取、降維后輸入訓(xùn)練好的MWNN 模型識別，視頻測試樣本經(jīng)人臉幾何特征參數(shù)提取、降維后輸入訓(xùn)練好的GMMs 模型識別．最后對GMMs、MWNN 2 個分類器的識別結(jié)果進行融合，并對情感進行最后裁定．

1.2 情感與特征

如何給情感分類是個有趣又復(fù)雜的問題，不同研究者在進行情感識別的研究時選擇的情感分類數(shù)量和種類往往不盡相同[7-8]．本文的最終目的是為了讓機器寵物更好地識別主人的基本情感，因此選擇了生活中幾種常見的基本情感(生氣、平靜、高興、悲傷和厭煩)來對情感進行分類．

心理學(xué)和韻律學(xué)研究表明，說話者的情感在語音中最直觀的表現(xiàn)是韻律特征和語音質(zhì)量的變化，如音調(diào)、音強和音質(zhì)的變化[9]．通常與情感相關(guān)的聲學(xué)特征包括基音、持續(xù)時間、能量和共振峰，以及它們衍生的均值、最大值、最小值、中間值、取值范圍、一階導(dǎo)、二階導(dǎo)和變化率等．經(jīng)過反復(fù)地實驗，本文最終選取了下面幾種韻律特征：語速、能量最大值、能量均值、極點數(shù)、基音頻率、最大共振峰．

人臉特征一般有幾何特征、外貌特征、混合特征這3 種．外貌(appearance)特征泛指使用全部人臉圖像像素的特征，反映了人臉圖像底層的信息，側(cè)重于提取局部的細微變化，由于要提取的特征點較多，造成維數(shù)過高、運算復(fù)雜．混合特征將幾何特征、外貌特征兩者結(jié)合起來，計算也較為復(fù)雜，而且初始點獲取困難．雖然幾何特征的識別效果對基準點提取的準確性要求較高，同時幾何特征的提取忽略了臉部其他部分的信息(如皮膚的紋理變化)等，但其能描述人臉宏觀的結(jié)構(gòu)變化，且提取簡單、維數(shù)較低，非常符合本系統(tǒng)的要求．

1.3 分類器模型建立

1.3.1 GMMs 模型建立

用多個高斯(正態(tài))概率密度函數(shù)的線性組合可以逼近任意密度分布，基于統(tǒng)計思想的GMMs 可以對任意的圖片表情特征分布進行精確的描述．由于經(jīng)過PCA 降維后的20 維的人臉表情幾何特征向量在20維空間中的分布不是橢球狀的，單個的標準高斯分布不能很好地擬合，所以要建立GMMs 模型．雖然更多的高斯分布能更準確地擬合人臉表情幾何特征的分布，但勢必會引起更高的運算復(fù)雜度，而這對于基于嵌入式平臺的智能機器寵物顯然無法承受，為了更貼近工程運用，選用4 個高斯函數(shù)來加權(quán)表示，即

筆者采用最大似然估計法(EM 算法)求取最佳P(θ)的參數(shù)值θ，為此需要構(gòu)造函數(shù)

并求其最大值．為討論方便，引入數(shù)學(xué)符號

為求 ()J θ極值，求其對 jμ與 jσ的微分，并令其為零，得到8＋4d 變量的方程．采用迭代法，得到最佳的(P)x的參數(shù)值．

訓(xùn)練就是使用EM 算法確定每種情感的權(quán)重系數(shù)、均值和協(xié)方差，建立各情感的模型，識別過程為求取各情感模型產(chǎn)生測試語音的觀測特征序列的條件概率；最大條件概率對應(yīng)的情感即可作為識別結(jié)果．

1.3.2 MWNN 模型的建立

MWNN 有5 個子網(wǎng)絡(luò)構(gòu)成[10]，如圖2(a)所示，每個子網(wǎng)絡(luò)分別對應(yīng)一種測試的情感．對于每條情感語句，其情感的識別過程為：語音特征向量分別輸入到5個子網(wǎng)絡(luò)，然后會得到一個輸出向量 (v1,…,v5)，這個向量表征的是輸入的情感語句與5 個情感子網(wǎng)絡(luò)的相似度，最后根據(jù)輸出向量元素值、邏輯判決器選取最大值(超過一定閾值時)所代表的情感子網(wǎng)絡(luò)，并將該子網(wǎng)絡(luò)所對應(yīng)的情感作為最終識別結(jié)果．

圖2 MWNN識別過程及其子網(wǎng)絡(luò)拓撲Fig.2 Recognition processing flow and sub-networks of WMNN

圖2(b)顯示了MWNN 的5 個子網(wǎng)絡(luò)的結(jié)構(gòu)，每個子網(wǎng)絡(luò)都為3 層網(wǎng)絡(luò)，由5 個節(jié)點的輸入層、12 個節(jié)點的中間層以及1 個輸出節(jié)點的輸出層構(gòu)成．當訓(xùn)練時，輸出節(jié)點值為0.99 或0.01 的一個邏輯量，如果輸入的情感語句與對應(yīng)的情感子網(wǎng)絡(luò)相匹配，則輸出值為0.99，否則為0.01．用5 個單獨的子網(wǎng)絡(luò)對應(yīng)5 種測試的情感，使得每個網(wǎng)絡(luò)能夠單獨調(diào)整．如果能夠只改變單獨的1 個子網(wǎng)絡(luò)參數(shù)，而不需要對整個網(wǎng)絡(luò)進行調(diào)整，對于提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率與更新特征參數(shù)都是非常有利的．為了提高學(xué)習(xí)效率，加快收斂速度，采用增加動量梯度下降的學(xué)習(xí)算法有式中α為動量系數(shù)，一般有α∈ (0,1)．動量項反映了以前積累的經(jīng)驗，對于t 時刻的調(diào)整起阻尼作用．關(guān)于小波基函數(shù)的選取，目前尚無統(tǒng)一理論方法，通常依據(jù)經(jīng)驗及實際情況而定，也可借鑒小波分析中的經(jīng)驗，較早提出的Morlet 小波cos(1.75x )e-0.5x2(該小波為有限支撐、對稱、余弦調(diào)制的高斯波)已被廣泛用于特征提取、圖像壓縮、分類等領(lǐng)域，本文基于這種思想，選取Morlet 小波作為網(wǎng)絡(luò)隱層的激活函數(shù)．

1.4 信息融合算法

1.4.1 傳統(tǒng)的融合算法及改進

1) 無差別投票法

傳統(tǒng)的投票法采用少數(shù)服從多數(shù)的原則，一般來說分類器多于2個，且為奇數(shù)，避免出現(xiàn)票數(shù)相等的情況．由于考慮工程應(yīng)用的實時性，本文只選擇了2 個分類器，且性質(zhì)不同．MWNN 基于非線性函數(shù)擬合，其值較大，接近1；GMMs基于概率統(tǒng)計，其值較?。邤?shù)量級不匹配，因此要進行改進，規(guī)則為：① 2 個分類器意見統(tǒng)一時直接輸出；② 意見不統(tǒng)一時，則先對GMMs 的輸出結(jié)果匹配化處理(式(8))，使GMMs與MWNN 輸出數(shù)量級匹配，然后輸出大者勝出．

式中n＝1，2，3，4，5.

2) 求和法

傳統(tǒng)的求和法為

為了改進效果，將GMMs 的輸出用式(8)匹配，則

求積法和單系數(shù)融合法也用上述方法改進．

3) 改進的求積法

4) 層疊泛化算法

層疊泛化算法即為引入二級分類器對一級多分類器的結(jié)果進行仲裁．本文引入的二級分類器為收斂速度比較快的BP神經(jīng)網(wǎng)絡(luò)，其為3 層網(wǎng)絡(luò)，由10 個節(jié)點的輸入層、12個節(jié)點的中間層以及5 個輸出節(jié)點的輸出層構(gòu)成．訓(xùn)練時，將每個訓(xùn)練樣本經(jīng)過MWNN與GMMs 的輸出組成一個10 維的向量來構(gòu)成此2 級BP 分類器的訓(xùn)練樣本集，輸出節(jié)點值為0.99 或0.01的一個邏輯量，如果輸入的情感語句與對應(yīng)的情感子網(wǎng)絡(luò)相匹配，則輸出值為0.99，否則為0.01．

5) 改進的單系數(shù)融合算法

1.4.2 基于GA 的雙模融合算法

1) 分類器輸出匹配化處理

由于GMMs 模型的各個子模型得到的似然估計是個非常小的正數(shù)，而MWNN 模型的各個子網(wǎng)絡(luò)得到的是介于(0，1)之間的一個較大的正整數(shù)，直接融合效果不佳，本文使用式(8)匹配化處理．

2) 建立適應(yīng)度函數(shù)(目標函數(shù))

設(shè)輸入的測試樣本屬于m 類，則GA 搜索的適應(yīng)度函數(shù)為

為了簡化運算，加入約束條件：①0.01 ≤λn≤1 .00；②λn只能取0.01 的整數(shù)倍；③采用十進制編碼．

3)信息融合

利 用 融 合 系 數(shù)（λ1,λ2,λ3,λ4,λ5）對 匹 配 化 后 的GMMs 及WMNN 的輸出結(jié)果進行融合，即

2 實驗與結(jié)論

2.1 數(shù)據(jù)庫的建立

邀請了3 位富有表演天賦的同學(xué)(分別用M1、F1、F2 表示)來完成情感音頻、視頻聯(lián)合數(shù)據(jù)庫錄制，錄制者正臉對著攝像頭，近距離對話筒以5 種不同的情感來朗讀筆者準備好的30 條情感短句．其中音頻文件錄制要求嘴唇到話筒距離2～3,cm，采樣頻率11,025,Hz，16 位量化精度，單聲道，并以WAV 格式保存．視頻文件采用Sony 攝像頭錄制，人臉距攝像頭50,cm，25 幀/s，并以AVI 格式存儲．錄制結(jié)束，音頻文件要用Cool Edit Pro 1.2a 進行適當?shù)仡A(yù)處理，視頻文件用AD Video Processor 軟件將AVI 視頻轉(zhuǎn)成連續(xù)的BMP 格式圖片保存．最后還要進行語音庫、圖片庫情感成分測試，測試結(jié)束，只有符合要求的語句與圖片被保留，其他被刪除，并將語音文件與圖片序列關(guān)聯(lián)保存，作為最后訓(xùn)練與測試的樣本．圖3 為M1以“高興”情感朗讀“過來”這個語句的聯(lián)合樣本．

2.2 特征提取

2.2.1 語音韻律特征

實驗采用短時分析法來分析語音特征，一幀的短時特征為

式中：s(n)為語音信號；w(m-n)為幀長為N的窗體[11]．實驗最終選擇語速、能量最大值、能量均值、極點數(shù)、基音頻率和最大共振峰作為韻律參數(shù)，每一幀的短時能量和過零率分別為

2.2.2 人臉幾何特征

本文應(yīng)用數(shù)學(xué)形態(tài)學(xué)和點輪廓檢測法[12](point contour detection method，PCDM)獲取眼睛、嘴、眉毛和鼻子這4 個正面特征器官的正確輪廓．該方法在提取特征之前，應(yīng)用數(shù)學(xué)形態(tài)學(xué)技術(shù)產(chǎn)生邊界強度圖像，結(jié)合原圖、先驗知識，給面部器官定位．定義原始圖像為I，邊界強度圖像為edgeφ．

式中：dilation 為膨脹操作；erosion 為腐蝕操作．圖4為實驗中“高興-過來” 表情圖片的處理結(jié)果．

圖4 表情圖片輪廓提取過程Fig.4 Contour extraction processing flow of facial expres-Fig.4 sion

按照上述的方法，每張表情圖片提取20 個面部特征點來描述上述4 個特征器官的位置和形狀，其中每條眉毛3 個點，每只眼4 個點，鼻子2 個點，嘴巴4個點，坐標原點取眉心處．

為了體現(xiàn)視頻分幀后的表情圖片的時序特性，每張(幀)表情圖片先用20×2 的向量表示，然后進行向量拉直為40×1 向量，這些向量作為一次樣本，引入一階差分特征、二階差分特征，形成二次樣本；將這些樣本集合起來，經(jīng)過PCA 降維后形成20 維的樣本集，作為最終的GMMs 訓(xùn)練、識別樣本集．

2.3 實驗結(jié)果

2.3.1 泛化能力

分類器在工程應(yīng)用中最為核心的問題就是它的泛化性能(推廣能力)，即訓(xùn)練完成后的模型對測試樣本或工作樣本做出正確反應(yīng)的能力，沒有泛化能力的分類器便沒有任何價值．

由圖5 可見，傳統(tǒng)的融合算法如果不匹配化處理，如傳統(tǒng)求和法得到的識別率與單獨MWNN 是一樣的(50 樣本時均為82%，100 樣本時均為84%)，這是因為基于統(tǒng)計規(guī)律的分類器GMMs 輸出結(jié)果很小，加到MWNN 的輸出結(jié)果上并不能起到改進的效果．經(jīng)過分類器匹配化處理后，求和法、求積法和投票法識別率都得到提高，雖然層疊泛化算法效果也比較好，但無論是小訓(xùn)練樣本(50 個訓(xùn)練樣本)，還是大訓(xùn)練樣本(100 個訓(xùn)練樣本)，基于新的GA 融合算法在相同條件下都能獲得更高的識別率，分別為92%和94%，因而具有更強的泛化能力．

圖5 各種算法的泛化能力Fig.5 Generalization ability of various algorithms

2.3.2 識別率

圖6中所有的識別結(jié)果都是以100 個樣本進行訓(xùn)練，50 個樣本進行測試，不難發(fā)現(xiàn)，對于3 位測試者(M1、F1、F2)，都存在如下規(guī)律．

(1) 對于分類器匹配化，傳統(tǒng)的融合算法中求和法則與求積法則受分類器性質(zhì)的影響最大，如果不匹配化輸出，則結(jié)果與單獨MWNN 一樣，基本不會有任何改善；投票法、直接融合算法雖然也受影響，但影響不大，匹配化后識別率也會有一定的提升；分類器性質(zhì)對層疊泛化這種傳統(tǒng)融合算法基本不會有任何影響，所以這種算法不需要匹配化輸出．

(2) 對于識別率，在傳統(tǒng)的融合算法中，層疊泛化算法是最高的，其次是改進后的直接融合算法，經(jīng)過輸出匹配后，求和法、求積法、投票法各有千秋，其中求和法與投票法識別率相對比較穩(wěn)定，而求積法更容易受數(shù)據(jù)庫的影響(對于F1 識別率在三者中最低，到了F3 則變?yōu)樽罡?．

對于所有測試者，圖6 還顯示了一個更為明顯的結(jié)論：相比于單模態(tài)或其他的分類器融合算法，基于新的GA 融合算法在相同條件下都能獲得更高的識別率， F1 為94%、F2 為92%、M1 為90%．

圖6 各種算法的識別率Fig.6 Recognition rate of various algorithms

3 結(jié) 語

為了提高識別率和泛化能力，筆者從音頻、視頻兩方面來提取特征參數(shù)(語音韻律參數(shù)與人臉幾何參數(shù))，選擇了差異性強的MWNN和GMMs 分類器，并匹配化了分類器輸出，提取表情圖片特征的一階、二階差分特征向量對GMMs 進行時序化補償，引入了GA 算法來搜索最優(yōu)的融合系數(shù)向量，充分發(fā)揮各分類器本身對特定情感的敏感特性，提高了融合效率．

為了更貼近工程運用，并最終應(yīng)用于智能機器寵物，GMMs 只引入4 個基本高斯分布來簡化模型，MWNN 每個子網(wǎng)絡(luò)均采用單隱層，5 個輸入節(jié)點，單輸出節(jié)點的簡單網(wǎng)絡(luò)拓撲結(jié)構(gòu)，WMNN、GMMs 均為5個獨立的子模型構(gòu)成，每個模型對應(yīng)一種情感，當系統(tǒng)進行反饋學(xué)習(xí)時，只要調(diào)節(jié)相應(yīng)的子模型即可，簡化了再學(xué)習(xí)過程．特征提取后，利用PCA 進行降維處理，降低系統(tǒng)的計算復(fù)雜度，WMNN 采用增加動量梯度下降的學(xué)習(xí)算法來提高收斂速度，提高系統(tǒng)的實時性．筆者根據(jù)識別結(jié)果加入一個反饋再學(xué)習(xí)環(huán)節(jié)，因此分類器模型不是固定不變的，而是隨著時間更新而動態(tài)變化，這樣才符合人類情緒表達方式會隨著時間推移而變化的事實．

［1］Fragopanagos N，Taylor J G. Emotion recognition in human-computer interaction[J].Neural Networks，2005，18(4)：389-405.

［2］Bosch L. Emotions speech and the ASR framework[J].Speech Communication，2003，40(1/2)：213-225.

［3］Cowie R，Douglas-Cowie E，Tsapatsoulis N，et al. Emotion recognition in human-computer interaction[J].IEEE Signal Processing Magazine，2001，18(1)：32-80.

［4］Morrison D，De Silva L C. Voting ensembles for spoken affect classification[J].Journal of Network and Computer Applications，2007，30(4)：1356-1365.

［5］France D J，Shiavi R G，Silverman S，et al. Acoustical properties of speech as indicators of depression and suicidal risk[J].IEEE Trans Biomed Eng，2000，47(7)：829-837.

［6］Morrison D，Wang Ruili， De Silva L C. Ensemble methods for spoken emotion recognition in call-centres[J].Speech Communication，2007，49(2)：98-112.

［7］Bhatti M W，Wang Y，Guan L. A neural network approach for human emotion recognition in speech[C]//IEEE International Symposium on Circuits and System. Canada，2004：181-184．

［8］Murry I R，Arnott J L. Applying an analysis of acted vocal emotions to improve the simulation of synthetic speech[J].Computer Speech and Language，2008，22(2)：107-129．

［9］林弈琳，韋 崗，楊康才. 語音情感識別的研究進展[J]. 電路與系統(tǒng)學(xué)報，2007，12(1)：90-98．Lin Yilin，Wei Gang，Yang Kangcai. A survey of emotion recognition in speech[J].Journal of Circuits and Systems，2007，12(1)：90-98(in Chinese).

［10］Huang Yongming，Zhang Guobao，Xu Xiaoli. Speech emotion recognition research based on wavelet neural network for robot pet[C]// 5th International Conference on Intelligent Computing．Korea，2009：993-1000．

［11］Ververidis D，Kotrropoulos K. Emotional speech recognition：Resource，features，and methods[J].Speech Communication，2006，48(9)：1162-1181.

［12］Chang J Y，Chen J L. Automated facial expression recognition system using neural networks[J].Journal of the Chinese Institute of Engineer，2000，24(3)：345-356.