项目学习——人脸表情检测与属性分析
【项目情境】
随着技术的发展，越来越多的学校开启了智慧校园管理模式，将人脸识别技术应用于摄像头监控，对学生、教职工、及陌生人进行实时检测定位，解决校园安防监控、校内考勤、学生自助服务等场景的需求，打造智能化校园管理，提升校园生活体验和安全性。如图示校园人脸识别闸机系统就是智慧校园管理场景之一。​

【知识储备】
生物特征识别技术作为重要的智能化身份认证技术，在教育领域得到广泛的应用。人脸识别是典型的计算机视觉应用，该技术划分为检测定位、面部特征提取以及人脸确认三个过程。
根据要求，回答问题。
（1）常见的生物特征识别包括人脸识别、

ABCE

ABCE

，主要应用于考勤、门锁、楼宇对讲、支付等场景。（多选）
A.指纹识别
B.指静脉识别
C.声音识别
B.光学字符识别
E.虹膜识别
（2）人脸识别闸机系统主要由管理软件和

ABCDE

ABCDE

硬件设备组成。（多选）
A.通道闸机
B.红外感应器
C.高清摄像头及人脸识别终端
D.通道状态指示灯
E.服务器（控制主机、管理电脑）
（3）人脸识别过程是：①人脸对比，②人脸检测，③开闸放行，其正确的顺序是

②①③

②①③

。
【项目实施】探索人脸表情检测与属性分析
人脸检测与属性分析——探索人脸表情识别技术
人脸识别技术的不断发展包括人脸实名认证功能、活体检测、人脸检测与属性分析、人脸对比与人脸搜索等功能。据心理学家A.Mchnabia的研究表明，通过人脸表情传递的信息能达到信息总量的55%，因此研究人脸表情变化至关重要。目前人们对表情识别的研究大都是从静态图像或者图像序列中提取表情特征，然后根据这些特征信息通过设计相应的分类算法把表情归为某一类别以完成分类任务。
（一）明确需要采集的数据，并对数据进行预处理。
由于输入图像的来源，采集环境不同等因素，在得到数据之后，通常的情况下，人脸表情图像中往往包含有各种环境条件的限制和干扰，这样会对图像的重点部分造成影响，所以要考虑在获取图像数据之后就要突出图像中感兴趣的特征，而且减弱无关的特征信息。根据要求，回答问题。
（4）网络上关于人脸表情的描述包括文本、视频、图像等，这些数据种类的格式各不相同。表明各种

结构化、非结构化

结构化、非结构化

数据（选填：结构化、非结构化）共存于网络中。
（5）互联网中用于研究人脸表情的数据集来源分散，存储在互联网不同的服务器与客户终端且格式有所不同。从大数据存储与计算的角度来看，此现象表明大数据具有

分布式存储

分布式存储

的特征。（选填：价值密度低、变化速度快、分布式存储、样本渐趋于总体）
（6）小组成员使用爬虫程序获取图片数据并形成人脸表情库文件，所采用的数据采集方法

网络数据采集法

网络数据采集法

。（选填：系统日志采集法、网络数据采集法、其他数据采集方法）
（7）在获取图像数据之后就要突出图像中感兴趣的特征，减弱无关的信息。以下

ABDE

ABDE

信息会影响图像中人像的表情分析。（多选）
A.光照
B.阴影
C.黑白照片
D.背景杂斑
E.而部遮挡
（8）为了消除图像中无关的信息，保证得到较清晰的图像，数据分析中

特征探索

特征探索

分析方法的主要任务是实现对数据进行预处理。（选填：特征探索、关联分析、聚类分析、数据分类）
（二）分析数据。
第一步：人脸检测及人脸特征点定位。
人脸表情检测是要找出图像中人脸的大概区域，对于任意一幅给定的图像，通过算法搜索图像，判断图像中是否存在人脸。而人脸特征点定位则是要更加准确的定位出眼睛、眉毛、鼻子、嘴巴轮廓等一些人脸区域中的关键部位。根据要求，回答问题。

（9）本次实验将人脸检测转换为一个图像分类问题，需要区分人物与背景，将人脸从整个图像背景（如树、天空等）中分离出来，最终标记定位人脸的存在。该算法（图a）主要使用

选择

选择

结构（选填：选择、顺序）对

人脸和非人脸

人脸和非人脸

（选填：人脸和非人脸、明背景与暗背景）进行筛选。
（10）观察图b,在进行人脸特征点定位时人脸表情特征点越

多

多

（选填：多、少）检测结果越准确。​
第二步：表情特征提取。人类有着丰富的情感表达，在未知表情种类的前提下，通过聚类分析的数据分析方法对大量表情数据进行训练得到如图所示的7种表情类别。​

第三步：预测表情。预测的原理是感应、判断、归纳，根据现有的各类表情，进行判断归类，便可预测出结果。
表情分类是指通过设计分类机制来对表情进行分类，将表情归入相应的类别。根据要求，回答问题。
（11）常用的分类方法是按照感情分类，根据现有的表情分类准则通过

数据分类

数据分类

方法对未知数据进行预测。（选填：聚类分析、数据分类、关联分析）
（12）挑选合适的词语或对应的字母完善人脸表情识别系统工作的过程（如图）。
选填：A.特征分类B.特征提取C.预处理D.图像获取E.识别表情​
①

D图像获取

D图像获取

人脸图像

②

；C预处理

；C预处理

→③

B特征提取

B特征提取

→④

A特征分类

A特征分类

图像测试

⑤E
（三）数据的可视化。数据可视化可以把枯燥乏味的海量数据以丰富的视觉效果呈现出数据所反映的本质问题，有效提升数据分析的效率。如图所示选用的分组柱形图将表情分类数进行数据可视化呈现。在以上表情分类中，厌恶表情出现的次数较少。

【项目总结】人脸检测与属性分析项目流程首先从图片中提取脸部影像，然后对脸部的特征点进行定位，通过脸部的特征点进行表情识别，最终得到识别结果。
（13）进行该项目研究的意义在于

BCD

BCD

。（多选）
A.人脸识别在数据处理和存储方面较简单
B.对人员自动人脸识别，未经登记授权限制进入
C.根据人脸等生物特征智能查询进出记录
D.打造智能化校园，提升校园生活的安全性