7、深度学习在面部表情识别与异常人类行为检测中的应用

深度学习在面部表情识别与异常人类行为检测中的应用

1. 面部表情识别技术概述

自动面部表情识别（FER）系统近年来取得了诸多进展。传统方法利用几何特征创建训练特征向量，例如基于 52° 面部标记点的位置和视角确定本质视角和欧几里得距离，再通过特定计算得到特征向量。常用的分类器有动态时间规整、多类 AdaBoost 结合支持向量机（SVM）等。

传统特征提取方法	传统分类器
方向梯度直方图（HOG）	支持向量机（SVM）
局部二值模式（LBP）	AdaBoost
面部地标间的距离和角度关系	随机森林

然而，传统方法也存在一些局限性，如在处理面部局部差异时精度有限。不同面部区域具有不同的细节风格，例如眼睛和嘴巴比脸颊和额头能提供更多信息。为了提取外观特征，一些研究人员采用特定领域的局部扩展划分整个面部区域，并通过增量搜索策略找到重要的局部区域，从而降低特征维度并提高识别精度。

2. 深度学习在面部表情识别中的应用

深度学习在计算机视觉领域展现出巨大潜力，尽管在面部表情识别方面的研究相对较少。深度信念网络（DBN）被广泛应用于面部表情检测任务，它无需对人脸图像进行预处理，可直接进行分析。例如，Ranzato 等人使