基于面部肌肉特征的面部表情度量方法陈晓钟，丁笛童，杨刚，许洁萍(中国人民大学信息学院，北京100872)摘要：提出了一种新的面部特征用于描述面部状态，以及基于该特征实现的面部表情度量方法。特征的产生是基于对人类表情肌活动效果的归纳，而度量方法则使用支持向量机的后验概率作为依据。另外，构建了基于不同特征，不同面部素材库，以及不同决策模型的对比实验。实验结果表明，基于新特征的度量方法相比起其他的方法能够对不同的面部表情产生具有足够区分度的度量，并以更高的准确率提取视频文件中的”最夸张”的表情。关键词：计算机应用技术，面部表情度量，面部肌肉特征，支持向量机中图分类号：TP391.4文献标识码：AAmethodforfacialexpressionmeasurementbasedonafacialmusclefeatureChenXiaozhong,DingDitong,YangGang,XuJieping(SchoolofInformation,RenminUniversityofChina,Beijing100872,China)Abstract:Anewfacialfeatureproducedfromasetofprimitivefeaturepointsandafacialexpressionscoringmethodbasedonthenewfeatureareproposed.Developmentofthenewfeaturedisbasedonthesummarizationofhumanfacialmusclemovementeffects.AndthescoringmethodusesposterioriproducedbySVMasthefoundationofthescoringresults.Intheexperiment,besidesfacialmusclefeature,positionsoftheprimitivefeaturepointsasawholefeaturevectorareaddedasacomparison,aswellasdifferentdecision-makingmodelsanddifferentsourcesoftestingset.Basedonthenewfeaturethescoringsystemprovidesenoughdistinguishingscoringresultsonexpressionsofdifferentintensities,andextracts‘themostintensive’expressionframefromvideoswitharatherhighaccuracy.Keywords:technologyofcomputerapplication,facialexpressionmeasurement,facialmusclefeatures,SupportVectorMachine计算机的智能化、易用化是计算机科学的发展方向。使计算机由认知性转变为直觉性，实现从人操作计算机至计算机辅助人是人们的梦想[1]。为了实现这一目标，使计算机学会理解人类交流方式就显得尤为重要。表情是一种日常生活中重要的非语言交流方式，人们在交流过程中会大量使用各种表情来表达自己的想法。文献[2]认为，在人类日常交流中，有55%的信息是通过面部表情传递的。不难看出，面部表情度量在人机交互方面具有广阔的应用前景，对其进行研究对计算机的发展具有深远的意义。文献[3]提出了脸部情感的表达方式(FacialActionCodingSystem，FACS)，通过使用不同的编码与运动单元组合，使脸部形成复杂的表情变化，对研究表情度量有重要意义。此外，人们通过图像处理方法在一定精度下获取人脸特征点，使用SVM[4]、BP神经网络[5]、Adaboost[6]等方法建立由特征向表情度量的映射，取得了一定成果。有研究人员还通过建立肌肉模型用于实现对表情的模拟[7]。本文实现表情度量模型所采用的方法为，将检测出的所有特征点的坐标向量转换为对相应的表情肌运动效果的描述，作为度量系统的输入，经由SVM训练之后得到分类，并依此计算得出度量结果。与其他它模型的对比实验结果证明，本文模型能够实现对表情强度更加明显的区分。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---基金项目：国家自然科学基金(61003205)作者简介：陈晓钟(1992—)，本科生，主要研究方向：人机交互、图像处理、非真实感渲染通讯联系人：杨刚：讲师，主要研究方向：神经网络算法优化、模式识别、组合优化问题求解，yanggang@ruc.edu.cn-1----本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---1基于SVM与肌肉特征表示的表情度量模型1.1模型介绍表情是由表情肌的收缩运动组合直接导致的[8]。根据该结论，可建立以相应的表情肌运动效果的描述作为输入，使用SVM计算表情度量的模型。该模型可用于计算含有人脸的图像的相对表情强度度量，该模型的组成结构如图1所示。客户服务系统智能驾驶系统娱乐产业基于SVM与肌肉特征的表情度量模型视频预处理模型特征提取模型表情评分模型OpenCVFaceSDKSVM图1模型...