前言

在现代物联网中，人工智能随着信息技术的提升发展的越来越快，个人信息的验证方式也在不断更新，对个人信息的安全性和实用性也提出了更高的要求。

因此提出了人脸表情图像自动识别技术，针对人脸识别的信息采集和识别准确率进行有效分析。

(资料图片)

为了为了解决上述方法中存在的问题，提出基于改进遗传算法的人脸表情图像自动识别系统。在进行人脸表情识别之前，针对人脸特征获取人脸图像轮廓区域，采用光线补偿以及高斯平滑方法对人脸表情图像进行处理，提高图像预处理效果，增强人脸表情图像自动识别的能力。

一、系统总体结构

人脸表情图像自动识别系统的整体设计框架如图1所示。

图1人脸识别系统框架

采集图像模块。该模块主要对图片信息进行获取，通过图片库和相机两种方式实时采集图像，这个模块设计在界面独立完成。

获取人脸区域。针对人脸的关键特征和肤色变换，能够勾勒出脸部轮廓及脸部细节，并通过采集的信息构建一个数学模型，最后形成与人脸相似度极高的人脸模型。

图像预处理模块。利用光线补偿以及高斯平滑方法对需要处理的图像进行清晰度处理，保证获取的图像清晰度比原图像更高。系统设计的主要流程如图2所示。

图2系统设计流程图

二、用户登录模块设计

根据上述系统设计流程，需要对系统模块进行设计，如图3所示。

用户进入本系统时应先对系统进行登录，所以在该模块中对用户的名称和密码进行了设计，防止恶意软件的入侵，与此同时对密码输入次数进行了限制，此模块的示例图如图4所示。

图3系统功能结构图

图4用户登录模块示例图

图像获取模块设计人脸表情图像自动识别中图像获取是主要步骤之一，其中取得图像的途径为摄像头或数据库。

用户在查询图像时只需要在该模块中点击图像获取按钮就会自动在电脑文件中查找，该设计可以在系统中广泛使用。

图像预处理模块设计图像若存储于系统数据库中，就需要对图像进行处理。选择需要训练的图像，这时被选择的图像就会成为代码，实现单人图像的训练。

此模块主要分成四个部分完成对人脸表情图像的识别，具体的人脸识别训练功能如图5所示。

图5图像预处理模块

单人操作设计界面设计。该功能首先对单人图像进行采集，采集后判断是否经过训练，确定以后利用图像训练核心代码进行操作。

多人操作设计界面设计。此功能与操作过程相似，只不过采集的是多人图像。图像训练核心部分。这部分主要通过编写系统代码实现人脸的训练。

人脸识别模块根据用户的角度，该模块设计如图6所示。

图6人脸识别模块

该模块先对图像资源进行删除或增加操作。从数据库中将没有价值的图像删除，节省系统空间。并把新添加的图片直接导入到图像库中。人脸库训练图像，从中取得模型数据，并通过人脸信息的识别将重要的信息提供出来。

识别人脸表情图像，从中获取人脸信息。数据库会实时保存用户登录信息、登录时间和需要识别的图像，考虑到系统安全性选择SQL2008数据库进行设计。

数据库实体图设计。设计系统数据库的主要实体图如图7所示。

图7用户实体图

图7中包含用户名称、登录密码、权限、登录IP和登录时间等属性。

人脸图像实体图设计。如图8可知，在该设计中主要包括图像编号、图像人姓名及住址、身份证等属性。

图8人脸图像实体图

眼睛、嘴巴、鼻子信息实体图设计。在进行人脸表情图像自动识别中眼睛、嘴巴、鼻子是识别的重要信息，因此要对这些信息进行实体图设计，如图9、10、11可知。

通过对人脸的眼睛、嘴巴、鼻子的精准设计，提升了人脸表情图像自动识别的准确度。

图9眼睛信息实体图

图10嘴巴信息的实体图

图11鼻子信息实体图

服务器端的整体框架经过对系统的框架设计及其功能模块设计，实现对人脸表情图像自动识别系统的总体设计，因此要对人脸表情图像自动识别系统软件进行设计。

在整体人脸表情图像自动识别系统中，系统服务器端是系统的关键所在，其中包含监控采集、处理图像文件、人脸检测和识别等，如图12所示。

图12系统服务器端框架

假设在通道的正前方设置一个高清摄像机，在过往人群中对人脸进行抓拍，从而达到人脸表情图像自动识别的目的。设置左右偏转小于30°，上下偏转小于15°，高度h=3m，摄像机俯仰角度为α=15°的摄像机对人脸进行图像采集。

采集后对图像进行去噪、归一化处理等，利用AdaBoost方法检测图像中是否有人脸存在。

如果有人脸，那么从中获取双眼定位，采用改进遗传算法对人脸进行识别，它的主要流程如图13所示。

图13改进遗传算法流程图

改进遗传算法是一种寻优能力很强的自适应搜索算法，从图13可知，其人脸识别方法步骤为。首先对原始图像进行划分，主要划分为样本训练集和样本测试集两种，再对训练图片中的特征进行提取并归一化处理获取的数据。对种群规模和染色体长度进行参数设置，并且实行初始化处理，利用BP网络对权值和阈值进行编码。

对个体的适应度值进行计算，同时将最优个体发送至下一代。更新种群。对个体实行解码，主要分成权值和阈值两种，计算阈值从中获取适应度值。

对适应值进行判断，观察是否达到精度值的要求，若不是，就返回到步骤3重新测试。通过样本训练集步骤进行BP神经网络的训练，从而达到预定指标，训练结束后将其送至BP神经网络中，从而达到人脸识别的精准度，最终实现识别规则。

通过对系统功能模块的设计，实现对人脸表情图像的采集，并在系统框架的基础上对系统软件进行设计，采用改进遗传算法在采集的人脸图像中进行识别，从中获取了识别最优解，实现基于改进遗传算法的人脸表情图像自动识别系统设计方法。

为了验证基于改进遗传算法的人脸表情图像自动识别系统设计方法的整体有效性，需要对该方法进行实验测试。本次实验在Windows1064位操作系统上进行实验。

CPU为InterCorei7，8GB内存。在人像数据库中随机选择一张女性演员人脸正面表情图像，分别采用本文提出的基于改进遗传算法的人脸表情图像自动识别系统设计方法(方法1)、提出的基于卷积神经网络的人脸识别方法(方法2)、提出的改进遗传算法人脸识别方法(方法3)对人脸表情图像自动识别系统进行有效测试。

利用方法对原始图像中的额头、双眼、鼻子、嘴巴及耳朵进行识别。

图14不同方法人脸识别效果对比测试

如图14所示，采用方法1对原始图像进行识别时，可以看出所提方法能够准确的将全部需要识别的部分识别出来，可见方法1具有极高的识别效率。

方法2识别原始图像时，发现原本需要识别6处部位而方法2只识别出3处，与方法1相比方法2的识别效率低，识别效果差。

方法3对原始图像进行识别时，虽然识别出4处图像，但经观察可知方法2只正确识别出额头这一处，其余几处全部识别错误，这说明方法3的图像识别效果比方法1和方法2还要差。

通过这些分析可知，方法1的人脸表情图像识别效果最高，准确度极大。

为了验证本文方法在人脸识别响应时间上的优越性能，在人像数据库中随机选择10张人脸正面表情图像，利用方法1、方法2和方法3进行系统人脸识别响应时间测试，检验不同方法的识别响应时间，响应时间越短，说明系统工作效率越高。实验结果如图15所示。

图15系统人脸识别响应时间测试

通过上图可知，方法2和方法3，随着用户人数的增长，按方法2和方法3的系统响应时间也在增长，越来越高。

方法2响应时间为2.3s～6.5s，方法3响应时间为3s～7s，这两种方法的响应时间过长，因此可以判断方法2和方法3在系统响应方面是存在缺陷的。方法1中，即使用户在持续增加也丝毫不影响系统响应时间的速度，在整个测试中，只有方法1保持在1.5s的系统响应时间，可见方法1的系统反应速度更高更稳定，系统工作效率更好。

综上所述，方法1的系统响应时间要比方法2和方法3更快，那是因为方法1采用光线补偿方法和高斯平滑方法对人脸表情图像进行预处理操作，使处理后的图像比原始图像的清晰度清晰，便于系统对人脸表情图像的识别，增强了系统的识别能力，进而提升了系统人脸识别图像的响应速度。

为了验证本文方法的人脸识别成功率，对图像的识别个数进行实验。设置系统识别时间为20s，并选取10张人脸表情图像在一定时间内进行系统识别。

利用方法1、方法2和方法3进行系统人脸识别个数测试，检验不同方法的识别个数的多少，识别个数越多，说明系统识别成功率越高。实验结果如图16所示。

根据图16中的数据可知，方法1、方法2、方法3随着识别时间的增加，识别图像的个数也在增多。

总体来说，方法1的图像识别个数多于方法2、方法3，这说明方法1能够对人脸图像进行实时识别，并且识别的成功率要比方法2、方法3的高。

图16系统图像识别个数

总结

人脸表情图像自动识别技术是信息领域中的重要所在。

但由于个人信息的重要性，人们对于人脸识别的准确率具有较高的要求，这时就需要对人脸表情图像自动识别系统进行设计。

经调查可知，传统的人脸表情图像自动识别系统存在人脸识别效果差、系统人脸识别响应时间慢和系统图像识别个数少的问题。

针对上述问题，提出基于改进遗传算法的人脸表情图像自动识别系统设计方法，首先对系统整体框架进行设计，并从中完成功能模块的设计，再对系统软件进行设计，实现对人脸的识别采集，从而实现了该系统方法。

该系统提升了人脸表情图像自动识别的实用性和准确性，解决了目前方法中存在的问题，但该系统还存在一些缺陷，今后会继续对系统进行升级和研究

关键词：