劉念 王楓

摘 要：新時期我國科學技術的快速發(fā)展及信息化產(chǎn)業(yè)規(guī)模的不斷擴大，為人機交互領域發(fā)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(tǒng)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(fā)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(tǒng)機器學習的人臉表情識別展開論述。

關鍵詞：深度學習 傳統(tǒng)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(tǒng)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(fā)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(tǒng)機器學習的深入分析，了解二者實踐應用中的優(yōu)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(chǎn)業(yè)發(fā)展水平能夠保持在更高的層面上。

1 基于傳統(tǒng)機器學習的人臉表情識別綜述

在對基于傳統(tǒng)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(tǒng)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(xiàn)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(tǒng)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(xiàn)為：（1）結合文獻[1]中所述的內(nèi)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(fā)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(xù)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(fā)揮出圖像預處理的優(yōu)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(zhì)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(tǒng)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(nèi)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(shù)的優(yōu)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(shù)災難現(xiàn)象的出現(xiàn)。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(wěn)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(tǒng)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(xiàn)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(jù)實際情況進行選用。（2）根據(jù)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(nèi)容，在人機交互領域發(fā)展過程中，受到大數(shù)據(jù)時代到來的影響，傳統(tǒng)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(xiàn)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(zhì)上是一種對人工神經(jīng)網(wǎng)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(nèi)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(wǎng)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(wǎng)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(fā)展方向。結合文獻[4]中所述的內(nèi)容，未來深度學習發(fā)展中需要優(yōu)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(wǎng)絡深度良好性，且在與傳統(tǒng)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(fā)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(tǒng)機器學習的人臉表情識別研究工作，具有重要的現(xiàn)實參考意義：有利于促進人機交互領域的可持續(xù)發(fā)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(chǎn)業(yè)發(fā)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(tǒng)機器學習在其應用中優(yōu)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(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J].數(shù)據(jù)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(yè)大學，2012.