人脸表情估计与表情合成 完整emoji表情包大全
如果把人们之间交流时传递的信息进行分割的话，人们所说的话语传递的信息占了7%，说话时的语调占了38%，而说话人的表情占到了55%。从表情和神色的变化中，可以感知到一个人的情绪、感受、甚至秉性和气质。
人脸表情是人类进行相互交流的基础，通过人脸表情所能传达的信息大大超过通过语音或动作所能传达的信息。如果把人们之间交流时传递的信息进行分割的话，人们所说的话语传递的信息占了7%，说话时的语调占了38%，而说话人的表情占到了55%。人的脸上分布着五十多块面部肌肉，这些肌肉的不同运动方式会导致不同脸部表情，从这些表情和神色的变化中，可以感知到一个人的情绪、感受，甚至秉性和气质。一般来说，表情可以分为中性无表情和六种基本表情: 高兴、忧伤、惊讶、愤怒、鄙视和恐惧，其他表情可以看做是这些表情的组合。
表情估计
人脸表情是影响人脸识别系统性能的一个重要因素，一般的人脸识别系统数据库中存储的是中性无表情的人脸图像，如果以带有各种表情的人脸图像去进行识别查询就往往得不到所期望的结果。解决这个问题的可能方法有: 在库中保存每一个人的所有可能的表情，但这对于变化无穷的人脸表情来说是不实际的; 采用对表情不敏感的识别算法，但这样往往只能对低强度的表情变化有效，而且对表情的不敏感很可能就会导致对其他影响因素敏感; 对输入图像进行表情补偿，这是解决表情对人脸识别系统的影响最有效的方法，可采用如图1所示的结构。
图1 人脸识别流程
对于输入的人脸图像，首先采用表情估计模块估计图像中人的表情，如果此人是不带有表情的就直接可以交给人脸识别系统进行识别了。而如果此人是带有表情的，则再输入到表情合成模块，表情合成模块会根据此人的表情导入相应的模型对其进行处理，然后合成得出此人的不带表情人脸图像，再交给人脸识别系统进行识别。
在人脸表情估计方面，采用的是人脸图像的Gabor特征，通过一系列的滤波器对图像进行处理，可以得出图中人脸在不同方向上不同大小的特征，由于Gabor函数具有与人类大脑皮层简单细胞的二维反射区相同的特性，因此用Gabor特征来体现人脸不同表情的不同变化是非常有效的。然后再对Gabor特征进行抽样处理，并选择出其中最重要的部分。
正如我们在日常生活所体会的，表情的变化主要体现在眼睛、眉毛、嘴巴这些部分，因此在这些部位得到的特征也就应该得到更多的重视。最后再构造分类器对得到的特征进行判别，这样便可以得知输入图像中人的表情了。这种技术除了可以用在人脸识别系统外，还有广泛的应用空间，例如高强度行业从业人员（例如长途车司机）的情绪监控，在监测到司机的表情越来越疲倦的时候，可以报警或者发出醒神的音乐，这样就可以大大降低发生意外的可能性; 又例如用在远程教育辅助系统上，在学生的屏幕前装上摄像头和表情估计系统，那么在远程的老师就可以实时地了解到学生的情绪状态，方便调整自己的讲课进度了。
对于输入的人脸图像，根据需要使之产生不同的表情，称为人脸表情合成。我们在电脑游戏和CG动画中常常见到一类基于人脸模型的表情制作、合成技术，一般是先建立人脸的三维模型并将其用一系列参数表示，然后通过调整参数后使得人脸模型展现出各种各样的表情。这样的动画看起来很有趣，但却不适合用在人脸识别领域，因为它们的目的是根据现有图形按照一定规则产生不同表情对应的人脸图形，要求在新产生的不同表情的图像中能感受到表情的变化，而不关心图像中的人体（实际上用到的图形很多并不是真正的人脸图像，而是通过计算机图形学画出的人脸图形）实际表情变化时产生的人脸变化，因此看起来会有明显的人造痕迹。而我们则是希望合成出的人脸图像能够尽量接近真人在表达这种表情时的图像。
表情合成
进行表情合成时，我们通过在人脸上定义的94个特征点对人脸的形状进行描述，人脸上的纹理则用这些特征点所包围的人脸区域的灰度描述。通过收集一系列各种人各种表情的人脸图像，我们可以建立起人脸的形状模型和纹理模型。利用这两个模型我们可以方便地获得人脸图像的参数化描述，也就是说，用一个参数向量去表示一个人脸，这样就非常方便后续的处理了。既然参数向量代表着对应的人脸图像，那么该人脸所具有的表情就必然在参数向量上有所反映，于是我们就可以把参数向量上的表情信息由一种表情变换为另一种表情。其中对参数向量的表情转换是基于这样的假设进行的: 相似的人具有相似的表情表达方式。
经过对训练集进行统计分析和学习后，对于一幅新的人脸图像的参数向量，我们就能从中分析出其个人特性、表达表情的方式等特点，然后得出此人的表达另一种表情时的参数向量。最后，由经过表情变化后的参数向量结合前面得到的人脸形状模型和纹理模型就能得到合成的人脸图像。如图2所示，可以看到左边的人脸图像是带有比较强烈的表情的，用这样的图像进行人脸识别往往得不到理想的效果，而右边的图像是经过表情合成处理后的图像，已经是接近不带表情了，这样就降低了与人脸数据库在表情上的差异，有利于进一步提高识别效果。
图2 表情合成前后对比
表情的合成技术除了用于人脸识别系统外，也有其他很多有意思的应用: 例如用于情感机器人中，使机器人在说话及做动作的同时表达出相应的表情，这样必然有助于机器人更为人们接受和得到更广泛的应用。又例如用于电脑的人机界面中，使电脑根据人的输入或者它当前的状态做出不同的表情，并且是类似真人的表情，这样便使得人的操作更加容易更加有意思，电脑也就会得到更进一步的普及。