信息提示
您的同一ip请求过于频繁，如果希望继续访问，请输入验证码：
Copyright 1998 – 2010 Tencent. All Rights Reserved.如何祛除面部表情纹
文章发布者：
来源： 任何人都会出现很多的表情纹，大致上可分为抬头或者皱眉所引起的抬头纹以及蹙眉纹、微笑所引起的鱼尾纹、还有因为笑、或者抿嘴所引起的法令纹、或是噘嘴、抽烟、使用吸管所引起的唇纹&helli 等等，这样会使肌肤变得越来越松弛，想改变这种状况吗？除了平日基础保养，还要加上***脸部动作，藉由这些***可刺激血液循环、并且慢慢抚平细纹，就可以让肌肤充满弹性与平滑光泽。
下面是消除表情纹***的方法：
　　1、由下巴开始，利用大拇指与食指的指腹抓住下巴的肌肤，然后轻轻由下往上捏。
　　2、沿着嘴巴周围，利用指腹的力量慢慢抓捏。
　　3、到眉头的部位，记得要停留十秒钟的时间。
　　4、最后以中指指腹的力量按压鼻翼两旁，可以促进脸部的血液循环.
相关点击：
看了本文的网友还看了？
问答精选
社区火爆话题
健康社区0 综 述 《自动化技术与应用》 年第
期 Survey 面部表情识别研究进展 杨国亮1， ，王志良1 ，王国江1 2 （1 . 北京科技大学 信息工程学院，北京 100083；2 . 江西理工大学 机电工程学院，江西 赣州 341000）摘 要：面部表情识别是计算机视觉中一个具有挑战性的课题， 分 该文对国 内 外 面 部 表 情 识 别 做 了 系 统 综 述 与 比 较， 析 了 面 部 表 情 识别目前存在的问题，并对今后发展提出了几点思考。关键词：情感计算；人工心理；面部表情识别中图分类号：TP391 . 41 文献标识码：B （ 文章编号：1003-7241 2006）04-0001-06
-. /0122-3 453-6-3 YANG Guo-liang1， ，WANG Zhi-liang1 ，WANG Guo-jiang1 2 （1 . School of Information Engineering，University of Science
Technology Beijing，Beijing 100083，China； 2 . Jiangxi University of Science and Technology，Ganzhou 341000，China）A tract： we Facial expre ion recognition is a challenging problem in computer vision . In this survey， reviews in detail current facial expre ion recog- nition technologies presented in the literature . The results and shortcomings of the current employed methods and po ible future research di- rectio are outlined .Key words：Affective computing；Artificial ychology；Facial expre ion recognition1 引言 2 面部表情识别 1997 年，美国 MIT 媒 体 实 验 室 得 Picard 教 授 出 版 了 一 本 专 2 .1 面部表情识别的难点 ［1］著“Affective Computing” ， 产 书中 她 定 义 了 情 感 计 算 是 关 于、 生 但 人类识别人脸信息 几 乎 没 什 么 困 难， 对 计 算 机 来 说 相 当 而于和影响于情感方面的 计 算， 面 部 表 情 识 别 则 是 解 决 情 感 计 不容易。由于人脸表情受不同年龄、种族、性别、头发、饰物 等 的算的一个前提。同样，1999 年，北京科技大学王志良教授提出的 影响较大，因此，采用计算机对人脸表情进行自动分析与识别 是 ［ ［2］ 3］人工心理理论 把面部表情识别作为一个重要研究内容。 一项具有挑战性的任务。其中关键在于难以建立一个理想的 人 通过计算机进行面 部 表 情 识 别 是 目 前 面 临 的 一 大 挑 战，它 这 而 很 脸表 情 模 型， 主 要 是 由 于 人 脸 是 一 个 柔 性 体， 非 刚 体， 难在和谐人机交换及情感机器人等方面有着广泛应用， 国 目前， 内 用模型来精确描述。 ［13］ 提外学者围绕这一问题作 了 比 较 多 的 研 究， 出 了 一 系 列 面 部 表 此外，表情识别 还 依 赖 于 其 它 方 面 因 素 如： 对 ， （ 1） 人 脸 ［4］情识别算法， 别 的 面 部 表 情 种 类 基 本 上 都 是 基 于 Ekman ［5］ 识 （ 对各种表情的体验。表情的表现有缓 和 的 和 激 的熟悉程度； 2）提出的六种基本表情或其子集，识别算法大致可分为两类： 于 基 细 轻 它 动的、 微 的 和 强 烈 的、 松 的 和 紧 张 的 等 诸 多 形 式， 的 生 理静态图像方法和基于动态图像方法。前者使用的是单一面部 表 所 （ 对 因素也是细微多变， 以 非 常 复 杂； 3） 脸 部 的 注 意 程 度； 4） （情图 像， 考 虑 图 像 的 空 间 信 息， 此 计 算 相 对 简 单， 识 别 率 只 因 但 （ 数据来源方面。严格的试验种所引起 的 情 绪 表 非视觉因素； 5）普遍不高；后者则采用图像序列，充分考虑了面部表情变化的 时 这 情状态带有突出的人为 性 质， 难 以 为 实 事 求 是 的 科 学 研 究 提 因 但间和 空 间 信 息， 此 识 别 率 相 对 前 者 要 高， 计 算 量 要 大， 前 目 （ 计 不 供十分精确的依据； 6） 算 机 本 身 没 有 知 识 和 经 验， 能 举 一大部分面部表情识别算法属于后者。 反三。光照和人脸姿态对识别结果影响较大。 目前国际上正在研究人脸表情分析与识别的机构主要有美收稿日期：2005 - 11 - 22 国的麻省理工学院 、 （MIT） 卡耐基梅隆大学（CMU）、马里兰大学 Techniques of Automation
A Iicatio 《自动化技术与应用》 年第
期 综 述 Survey 、 日 （ 、（Maryland） Stanford 大 学、 本 的 城 蹊 大 学 SEIKEI） 东 京 大 学 在 化的 程 度 如 何， 外 表 上 都 具 有 某 些 共 同 点 和 独 立 的 特 征，如： 、（Tokyo） 大阪大学（OSAKA）等。国内主要有哈尔滨理工大学、中 任何高兴的表情，不论嘴是否张开，在脸颊上和眼睛区域都具 有 科院、南京理工大学、北方交通大学等。 相似的独立外表。基于以上特点，该文首先作出假设，即外表 相 2 .2 面部表情识别研究进展 然 似的人其相应表情也应 相 似， 后 对 弹 性 图 中 的 节 点 采 用 加 权 目前大部分有关人脸表情的分析与识别主要针对基本表情 处理方法，那些对特定表 情 更 能 体 现 出 不 便 性 的 节 点 被 赋 予 较 的分析识别、 基 （ 使用的方法 大 致 归 为 两 类： 于 静 态 图 像 单 一 图 大的权值。类似地，在分类时采用了加权投票决策法，即对匹 配 像）的方法，这类方法只考虑单帧图像的空间信息和人脸的几 何 最 得分最高的十个分类结 果 进 行 加 权 处 理， 后 累 加 每 个 表 情 的 计 结构 信 息， 算 量 较 小， 较 适 合 实 时 表 情 识 别； 一 类 方 法 是 比 另 得分，最高分对应的 表 情 即 是 所 要 识 别 的 结 果。 该 方 法 的 识 别 这 基于动态图像序列的识 别 方 法， 类 方 法 考 虑 了 表 情 图 像 的 运 率对熟悉的人脸 的 （训练库中出 现 的） 表 情 识 别 率 达 90
以 上， 动信息，把表情变化的时间和空间信息结合起来，因此其识别 率 对不熟悉的人 脸 的 （训 练 库 中 没 出 现 的） 表 情 识 别 率 为 65
以 较高，其计算量较大。 上，由于该方法训练时 仅 采 用 了 9 个 人 的 表 情， 此， 样 的 识 因 这 2 .2 .1 基于静态图像的识别方法 别结果还是令人满意的。 ［6］ Mattew N . Dailey 等人 采 用 Gabor 小 波 变 换 与 局 部 PCA 方 文献［12］结合局部无监督学习策略与神经网络 进 行 表 情 识 法进行表情图像的特征提取，然后用 Fisher 线性鉴别分析（FDA） 别。采用局部无监督处理可以保持神经网络拓扑结构不变下 有 对提取后的图像进行重要特征部位（如眼、嘴巴等） 最 的定位， 后 效减少神经网络输入数据的维数，考虑输入象素的变化，第一 隐 通过集成神 经 网 络 进 行 识 别。 该 方 法 在 POFA Ekman and Fre- （ 输 含层神经元的感受野自 组 织 映 射 为 一 个 局 部 能 量 函 数， 入 象 sen， 1976）上取得较 好 识 别 效 果。 文 献［7］ 用 Gabor 变 换 对 图 采 素与网络的第一、第二层的 连 接 权 值 采 用 He ian 算 法 训 练，其 像进行特征提取，然后 采 用 PCA 方 法 Gabor 变 换 后 的 图 像 进 行 整 在 余权 值 采 用 BP 算 法 训 练， 个 网 络 由 4 层 构 成， Yale Faces 降维，并利用单层神经网络进 行 表 情 识 别， POFA 上 测 试 效 果 在 Database 上测试结果为 84 . 5
。 与文献［16］相当，但计算时间较前者稍小。 文献 ［ 采 ［33］ 40］ 用 支 持 向 量 机 进 行 人 脸 表 情 识 别。 Gwen ［33］ ［8］ Christin L . Lisetti 等 人 研 究 微 笑 和 中 性 两 种 不 同 表 情，同 Littlewort-Ford 等人 分析了结合 Gabor 小 波 变 换 和 支 持 向 量 机 时考虑到表情强度，他们采用神经网络来识别表情及表情强 度， 识别 Duche e 微笑和 non-Duche e 微笑，Gabor 变换 对 图 像 进 行 其试验结果表明该方法鲁棒性较强。由于神经网络的输入是 图 特征提取，SVM 分类识别。对比实验表明：多项式核和高斯核比 象象素，故网络结构比较庞大，导致该方法计算量过大。 线性核识别效 果 要 好；SVM 对 经 过 Gabor 滤 波 的 表 情 图 像 的 识 ［9］ 陈锋军 提 针对特定人 的 表 情 识 别， 出 了 一 种 基 于 几 何 特 说 别比对没经过 Gabor 滤 波 的 表 情 图 像 的 识 别 率 要 好 得 多， 明 征的 ， “三角形算法” 在实验中又加入知识规则，最终提出改进 的 采用 Gabor 变换可大大 提 高 识 别 率； 个 SVM 的 线 性 组 合 比 单 多 ；“三角形算法” 针对表情图像库的表情识别，应用基于脸部运 动 个 SVM 的识别效果要好。 编码系统（FACS）表情活动单元（AU） 结 “三 角 形 算 法” 的规则， 合 基于动态图像序列的面部表情识别方法 2 .2 .2 的思想，提出了检测 表 情 活 动 单 元 的 空 间 位 置 判 别 法。 该 方 法 文献［13］ 基 分析比较了 基 于 规 则 的 识 别、 于 静 态 图 像 的 识 关键在于特征点定位的准确性。 别和基于动态图像序列的识别方法。图 1 是基于规则的 表 情 识 ［10］ Gwen Littlewort 等人
面部表情识别研究进展
文档简介
面部表情识别研究进展
文档日志
暂无日志信息
文档留言
暂无留言信息
文档信息
文档上传人： 文档格式：PDF
文档页数：6
下载积分：
上传日期：2010-11-03 08:46:20
浏览次数：1
文档星级：
相关文档 -
copyright 2008-2011 道客巴巴网站
正在处理，请稍候...