图像是空间数据挖掘的重要内容之一，本文用图片形象地解读如何使用云模型和数据场进行人脸表情分析和识别。

一、基于云模型的人脸表情分析

实验的原始数据取自JAFFE(Japanese Female Facial Expression)数据库(Lyonsetal., 1998)。JAFFE 数据库是一个开放的人脸表情图像数据库，包括KA、KL、KM、KR、MK、NA、NM、TM、UY、YM共10个不同的日本女性，每个人有AN、DI、FE、HA、NE、SA、SU共7种不同表情的人脸图像，分别为愤怒、厌恶、害怕、快乐、无表情、悲哀、惊讶，每种表情有3、4 张样本图像，总数是213张表情图像。原始图像为256×256 像素。

基于云模型的JAFFE人脸表情分析。

不同人的相同表情分析。作为输入的原始图像的图像云滴，反映的是1种表情在10个人表现的不同个性特征。在{Ex，En，He}图像中，Ex 揭示的是1种表情的基本共性，为其标准表情，可以反映表情的平均状态；En 揭示的是10个不同人对1种标准表情的偏离程度，可以反映10个不同人对1 种表情的表现程度，即受个人性格、环境影响的程度；He 揭示的是10个不同人对1种标准表情的偏离程度的离散度，可以反映10个不同人对1种表情的表现程度的差异，即个人性格、环境等因素对不同人的影响程度。

相同人的不同表情分析。作为输入的原始图像的图像云滴，反映1个人的7种表情的不同个性特征。在{Ex，En，He}图像中，Ex 揭示的是1个人的基本共性，为其标准人脸的正常表情，可以反映1个人心平气和的状态；En 揭示的是1个人的不同表情对标准人脸的偏离程度，可以反映1个人在内外因素影响下的情绪波动的程度，即受环境影响的程度；He 揭示的是1个人的不同表情对标准人脸的偏离程度的离散度，可以反映1个人在内外因素影响下的情绪波动的程度的差异，即心理素质的稳定性。

不同人的不同表情分析。输入的原始图像，反映的是不同人不同表情的个性特征，输出的数字特征{Ex，En，He}图像，反映的是不同人不同表情的共同共性特征，尽管输入的图片是不同人的不同表情图像，但这些输入的图像是在共同共性特征基础上添加了不同的个性特征。在{Ex，En，He}图像中，Ex 揭示的是人与表情的基本共性，为其标准人脸表情，可以反映人脸表情的平均状态；En 揭示的是不同人不同表情对这种标准人脸表情的偏离程度，可以反映不同人不同表情对这种标准人脸表情的表现程度，即受个人性格、环境影响的程度；He 揭示的是不同人不同表情对这种标准人脸表情的偏离程度的离散度，可以反映不同人不同表情对这种标准人脸表情的表现程度的差异，即个人性格、环境等因素对人脸表情的影响程度。

把人脸图像的每个像素点看作二维空间中的数据对象，把每个像素点的灰度归一标准化到[0，1]区间，并视为数据对象的质量，那么在1幅图像中，每个像素点都向周围辐射能量，所有像素点的相互作用构成数据场。

二、基于数据场的人脸表情识别

基于人脸图像数据场的面部识别具体流程图。

预处理后的标准人脸图像。基于人脸图像数据场的面部表情识别，首先对原始人脸图像进行尺度归一化，具体来说，就是以原始人脸图像的左、右两眼中心为基准，对图像进行旋转、切割和缩放，并结合椭圆掩模消除头发和背景的影响，最终得到32×32 像素的标准化人脸图像

人脸图像数据场的等势线分布。对JAFFE 数据库中213张人脸图像进行统一处理，并采用基于数据力场的聚类算法对“特征脸”空间中的投影数据进行聚类划分，图为影响因子σ＝0.05时相应的人脸图解像数据场的等势线分布。

显然，代表不同面部表情的简化人脸图像在二维“特征脸”空间中具有相对较好的可分性。最终的识别结果如上表所示，该方法具有良好的正确识别率。

基于特征点的简化人脸图像。对标准化人脸图像进行灰度变换，采用基于人脸图像数据场的特征提取方法提取每幅人脸图像的重要特征点，形成简化人脸图像；

对简化人脸图像集合进行K-L变换得到的前6个主特征向量所对应的“特征脸”图像。对简化人脸图像集合进行K-L变换，计算总体离差矩阵的特征向量，构成公共“特征脸”空间。

测试人脸图像在“特征脸”空间的二维投影。将简化人脸图像投影到公共“特征脸”空间中，得到的前两个主特征向量张成的二维“特征脸”空间中投影数据分布，以相应的投影系数作为人脸图像的逻辑特征。

最后，根据逻辑特征，所有人脸图像在新的特征空间中形成二次数据场，根据数据间的相互作用和自组织聚集性实现人脸图像的聚类识别。

具体地，再从JAFFE 数据库中选出10 幅不同表情的正面人脸灰度图像，其中7 幅图像来自同一个人，另外3幅来自3个陌生人。

生成人脸数据场：

可以得到自然聚类的人脸拓扑结构：

基于数据场的自然聚类。显然3个陌生人I、H、J的聚类速度最慢。

本文由刘四旦摘编自李德仁、王树良、李德毅著《空间数据挖掘理论与应用（第二版） 》一书。

面向大数据，《地球观测与导航技术丛书：空间数据挖掘理论与应用（第2版）》提出数据场、云模型、地学粗空间和空间数据挖掘视角，构建空间数据挖掘金字塔，给出挖掘机理，介绍概念格，总结空间数据源，导出清理空间观测数据的选权迭代法。面向地理信息系统数据研究空间的关联规则、分布规则、概化规则和聚类规则的挖掘，从图像中发现指导图像分类、特征提取、表情识别的空间知识，以及时空分布的视频数据挖掘。这些理论，在滑坡监测、车轮形变、银行选址、土地利用、人脸识别、公共安全等实际领域，获得了有价值的应用成果，自主研制了空间数据挖掘原型系统GISDB Miner和RSImage Miner。

用您的手指点亮科学!

欢迎转发分享朋友圈，

您的鼓励是我们前进的动力！

点击文中书名、作者、封面可购买本书

相关专题：读书荐书
转载本文请联系原作者获取授权，同时请注明本文来自科学出版社科学网博客。
链接地址：https://blog.sciencenet.cn/blog-528739-929719.html

上一篇：国家重大基础设施：天地一体化网络
下一篇：科学出版社10月新书快递（二）