基于迁移学习的无监督跨域人脸表情识别

莫宏伟，傅智杰

（哈尔滨工程大学 自动化学院，黑龙江 哈尔滨 150001）

人脸表情自动识别是情感计算和计算机视觉领域的研究热点之一[1-5]。近年来，随着人工智能的迅猛发展，人脸表情识别在多媒体娱乐、人机交互、机器智能等领域有着广泛的应用前景。近年来，许多研究者致力于人脸表情识别研究，并提出了许多有效的方法。

Zheng等[6]提出了核典型关联分析(kernel canoncal correlation analysis，KCCA)的人脸表情识别方法，通过对输入图像中人面部34个关键点进行定位，然后将这些关键点通过Gabor小波变换转换成带有标注信息的图向量(labeled graph,LG)来表示人脸特征。另外，针对每个训练人脸表情图像，将6种表情类型的标签转化成一个六维语义表达向量，进而学习LG向量与语义表达向量之间的相关关系，利用这种关系推断出测试图像的语义表达。在不同人脸表情数据库上的实验结果表明了该方法的有效性。与目标检测等计算机视觉任务相比，图像描述不仅需要检测图像中的内容，还需要理解图像中目标物体之间的具体关系，并使用自然语言正确地表达出来。Uddin等[7]提出了一种新的方法来对基于时间序列的视频中的人脸表情进行识别，首先从时间序列人脸中提取局部方向模式特征，然后进行主成分分析和线性判别分析，使特征具有较强的鲁棒性。最后，利用隐马尔可夫模型对不同的面部表情进行局部特征建模和识别，取得了较好的识别效果。Yu[8]提出了一种基于图像的静态面部表情识别方法，该方法包含一个基于3个最先进的人脸检测器集成的人脸检测模块，以及一个基于多层深度卷积神经网络(convolutional neural network, CNN)级联的分类模块。……