60、面部表情识别：开发及其在人机交互中的应用

面部表情识别：开发及其在人机交互中的应用

1 引言

面部表情的自动分析是人机交互（HMI）研究的重要工具。自主机器人控制系统是复杂的系统，由传感器、决策控制系统和电机驱动系统组成。传感器可以是视觉系统、语音系统或手动控制系统。

目前，使用头部或面部运动来控制机器人或轮椅的系统，不适合有严重身体残疾、难以进行头部或面部运动的人；语音控制系统也不适合有语言障碍的人。因此，当前的研究重点是设计能解决这些问题的系统，最佳选择是通过识别用户的面部表情（如快乐、悲伤、惊讶、愤怒和中性）来发出指令。

此前已开发了静态和动态的面部表情识别（FER）系统。在本文中，将展示动态的 FER 系统，并对图像序列中面部表情的建模、分析和解释进行改进，以在机器人操作系统（ROS）中控制移动机器人（Pionner - 3DX）的位移（前进、后退、左转、右转）。

2 面部表情建模

特征提取是任何形状识别系统中关键且复杂的部分，主要解决两个子问题：
- 必须进行哪些测量？
- 从原始数据中使用哪些特征作为输入？

在本研究中，输入数据是面部表情建模帧的特征，面部表情通过面部特征（眉毛、眼睛、嘴巴）的临时非刚性变形（0.25 - 5 秒）来衡量。采用梯度向量流（GVF）蛇算法提取可变形和非刚性测量，但该算法存在局限性，如仅适用于二值图像、手动选择初始蛇以及每张图像仅提取一个几何对象。因此，提出对 GVF 算法进行修改以克服这些限制。

2.1 GVF 场

GVF 方法分两个阶段计算 GVF 场：
1. 计算图像的梯度
2. 计算梯度向量流

经典的蛇模型将