涉險崗位人員異常情緒識別與應(yīng)急預(yù)警研究

杜杏菁，孫炳剛

(華北科技學(xué)院 計算機學(xué)院，北京 東燕郊 065201)

0 引言

情感識別大致可分為三個階段：感知、認知、自主智能。感知智能如語音識別等技術(shù)已經(jīng)相當(dāng)成熟，應(yīng)用到相關(guān)領(lǐng)域，取得較好的效果。認知智能如人臉識別、姿態(tài)識別、人體跟蹤等技術(shù)也比較成熟，應(yīng)用到了各種識別、監(jiān)控、支付等場所。自主智能正隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、移動網(wǎng)絡(luò)、大數(shù)據(jù)及GPU計算機硬件、深度學(xué)習(xí)等技術(shù)而快速發(fā)展。

表情識別是最直接、有效的情感識別模式，分靜態(tài)圖像表情識別和動態(tài)序列表情識別，靜態(tài)圖像表情識別是圖片表情識別，涉險崗位人員情緒實時監(jiān)測是表情識別在現(xiàn)實場景中的驗證和應(yīng)用，是預(yù)防失控情緒引發(fā)的重大傷害事件發(fā)生的措施，是社會和諧發(fā)展、城鎮(zhèn)智能化的技術(shù)支撐?；谏疃葘W(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)人臉表情識別技術(shù)，對涉險崗位人員異常情緒識別，提高識別率，設(shè)計異常情緒評估與應(yīng)急預(yù)警系統(tǒng)，推動表情識別和情緒監(jiān)控技術(shù)的廣泛應(yīng)用。

1 國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)分析

表情是面部肌肉活動呈現(xiàn)的一種情緒指標，是人生理和心理的綜合反映，能夠傳遞情感，是情感最直接有效的識別模式，表達了個體情緒狀態(tài)，是一種非語言交際形式。面部表情最常見的有七類：‘中性、高興、吃驚、悲傷、憤怒、厭惡、恐懼’，后來人們又提出了‘復(fù)合表情’。面部表情傳遞的情緒信息占55%，聲音傳遞的情緒信息占38%，語言傳遞的情緒信息僅占7%[1-2]。面部表情中含有的情緒信息最多，圖像采集方便，是基于生物特征情緒識別中比較便捷的方法。

MIT開發(fā)的情感機器人通過生物傳感器識別情感[3]。IBM公司通過手部血壓計溫度傳感器判斷情感[4]。中科院王兆其研究虛擬人表情和動作，高文研究多功能感知技術(shù)[5]。深圳安視寶產(chǎn)品屬于自體原發(fā)非主觀控制數(shù)據(jù)分析情感[6]。北京科技大學(xué)李敏嘉等研究了基于皮膚電反應(yīng)及心電圖傳感器的情緒監(jiān)測體域網(wǎng)[7]。科思創(chuàng)動通過攝像頭捕捉臉部可觀測數(shù)據(jù)，直接輸出預(yù)警結(jié)果。哈爾濱工程大學(xué)研制了可模仿再現(xiàn)人臉表情的機器人H&F Robot-II。香港中文大學(xué)研究了深度學(xué)習(xí)人臉表情識別。百度發(fā)布了raven H智能音箱和raven R情感機器人。

人臉表情識別不斷有新成果出現(xiàn)，其識別算法可分為：Fisher線性判別法、局部特征分析法(PCA)、獨立分量分析(ICA)、隱馬爾科夫模型法、卷積神經(jīng)網(wǎng)絡(luò)、多任務(wù)分類法等。表情識別分為整體識別與局部識別、變形提取與運動提取、幾何特征與紋理特征[8]。識別過程分為圖像預(yù)處理、特征提取、表情分類識別[9]。表情特征主要有灰度特征、運動特征、頻率特征[10]。表情識別包括分類模型設(shè)計與訓(xùn)練、模型應(yīng)用與決策[11]。模型設(shè)計與訓(xùn)練方法有線性法、支持向量機、隱馬爾科夫模型、物理建模、圖像編碼、神經(jīng)網(wǎng)絡(luò)等。

近年來，以卷積神經(jīng)網(wǎng)絡(luò)進行表情識別的研究成為熱門，Su H等利用多角度卷積神經(jīng)網(wǎng)絡(luò)(MvCNN)，實現(xiàn)了多姿態(tài)物體識別[12]。2015年何凱明團隊提出殘差網(wǎng)絡(luò)[13]，不再學(xué)習(xí)完整的輸出F(x)，而是學(xué)習(xí)殘差H(x)-x，解決信息傳遞過程中的丟失和損耗問題[14]。Ghosh等提出聯(lián)合視覺和聽覺信息的情緒識別[15]，YIN H等采用文本、圖像、語音三種信息融合法[16]，ZADEH提出記憶融合網(wǎng)絡(luò)實現(xiàn)多特征信息序列同步[17]，李壽山等提出多任務(wù)融合學(xué)習(xí)網(wǎng)方法。Hu J等提出了SE-Net表情識別網(wǎng)絡(luò)[18]，獲取特征的依賴關(guān)系，提升了卷積神經(jīng)網(wǎng)絡(luò)的性能。WOO S等人提出了識別網(wǎng)絡(luò)CBAM[19]。Hua等提出了不同深度子網(wǎng)卷積神經(jīng)網(wǎng)絡(luò)模型[20]。呂寶糧等進行了腦電和眼睛雙模態(tài)深度學(xué)習(xí)DNN情緒分類[21]。王喆等利用語音和面部表情特征進行情緒分類[22]。貴州大學(xué)盧涵宇等將遷移模型用到表情識別訓(xùn)練中[23]，建立基于遷移學(xué)習(xí)的深度學(xué)習(xí)模型，對要進行遷移學(xué)習(xí)的表情數(shù)據(jù)預(yù)訓(xùn)練網(wǎng)絡(luò)進行微調(diào)，進行參數(shù)和知識的遷移。劉健用Inception結(jié)構(gòu)遷移到FER2013數(shù)據(jù)庫訓(xùn)練中[24]，丁劍飛利用遷移MobileNets網(wǎng)絡(luò)結(jié)合SVM迭代多次后提高識別率[25]，王瑞瓊將InceptionV3遷移到CK+數(shù)據(jù)庫訓(xùn)練提升訓(xùn)練效果[26]。

2013年后，各種表情識別競賽從現(xiàn)實場景收集大量訓(xùn)練數(shù)據(jù)，推動了表情識別技術(shù)從實驗室走向真實場景中。合肥工業(yè)大學(xué)的姜明星等提出了時空局部三值方向角模式(SLTOP)和表情、姿態(tài)的云加權(quán)決策融合分類方法[27]，該方法首先對視頻圖像進行預(yù)處理，得到表情和姿態(tài)的序列，提取SLTOP特征，結(jié)合灰度共生矩陣降低特征的稀疏性。王曉華等對VLBP算法進行改進，將紋理特征與3DHOG特征融合[28]，但該方法沒有分析表情與姿態(tài)對情感識別貢獻的大小分析。付曉峰等提出了多尺度時空局部方向角模式，有效的捕捉人臉表情三維空間的時空特征[29]，但該方法獲得的特征較稀疏，限制了特征空間的分類性能。基于動態(tài)序列的人臉表情特征學(xué)習(xí)算法出現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)(CNN)、深度置信網(wǎng)絡(luò)(DBN)、深度自編碼(DAE)、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)等。

2 異常情緒識別算法及預(yù)警分析

結(jié)合人臉表情的紋理特征、運動特征，研究改進的RNN模型?？紤]表情序列空間和時間信息的RNN結(jié)合C3D方法，利用RNN在時間序列變化上建模，利用C3D在2D卷積基礎(chǔ)上沿著時間軸增加時間維度，形成3D卷積，其輸入是經(jīng)過預(yù)處理后的視頻序列，設(shè)置3-4層卷積層，降低過擬合度，利用隨機梯度下降法對模型參數(shù)進行優(yōu)化[30]。結(jié)合應(yīng)用環(huán)境及性質(zhì)，對異常情緒進行識別。用訓(xùn)練好的分類模型對預(yù)處理后的動態(tài)視頻序列進行異常表情或非異常表情進行分類。

設(shè)計四層結(jié)構(gòu)：數(shù)據(jù)采集層采用網(wǎng)絡(luò)攝像機實時采集視頻流，幀頻率25-30。支持層經(jīng)過采集層獲得動態(tài)圖像序列，收集表情樣本，分類訓(xùn)練，收集視頻序列驗證測試樣本，在GPU系統(tǒng)進行深度學(xué)習(xí)網(wǎng)絡(luò)模型訓(xùn)練。情緒監(jiān)測驗證系統(tǒng)實現(xiàn)情緒監(jiān)測中間層各功能。最上層是分類結(jié)果及應(yīng)急預(yù)警應(yīng)用層。

3 異常情緒識別過程

異常表情識別與應(yīng)急預(yù)警過程如圖1所示。

3.1 樣本情緒分類

將開心、中性兩種表情樣本中去掉，選取訓(xùn)練樣本包含‘生氣、厭惡、恐懼、傷心、驚訝’五種，分別對應(yīng)于數(shù)字標簽和中英文：0 anger 生氣、1 disgust 厭惡、2 fear 恐懼、3 sad 傷心、4 surprised 驚訝。建立文件夾存放各自對應(yīng)的樣本圖片。從前面五種負面表情樣本中挑選表情極嚴重的樣本，單獨形成一種類別，其數(shù)字標簽和中英文為：‘5 cnce 失控情緒’。將上面0-4五種負面表情樣本作為輸入，訓(xùn)練表情分類器，監(jiān)測失控情緒，找出失控表情樣本，并進行標注。

人臉檢測與表情識別研究可在現(xiàn)有公開數(shù)據(jù)集上進行訓(xùn)練模型和驗證測試。下載并整理了FER2013數(shù)據(jù)集，包含35887張人臉圖片，其中訓(xùn)練集28709張、驗證集3589張、測試集3589張。每張圖片的像素為48×48。將emotion與pixels分開，形成label.csv和data.csv。轉(zhuǎn)換訓(xùn)練、測試、驗證數(shù)據(jù)為圖片，轉(zhuǎn)換后分成0-6類，分別對應(yīng)著不同表情的圖片。數(shù)據(jù)集中train中的28709張圖片，前24000圖片作為訓(xùn)練數(shù)據(jù)集，其他4709張圖片作為驗證數(shù)據(jù)集，分別放在train、val文件夾中。建立data-label對照表，遍歷train和val文件夾中的所有文件，將jpg格式的圖片名和索引label寫入對照表中，做為卷積網(wǎng)絡(luò)程序的輸入。

3.2 設(shè)計情緒分類模型

長短記憶單元(LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)的改進形式。通過記憶單元保存時間維度的歷史信息，因此能夠長期記住前面歷史，這些記憶單元通過各種門選擇信息的通過、禁止、舍棄。視頻經(jīng)預(yù)處理后的動態(tài)幀序列作為3DCNN、RNN網(wǎng)絡(luò)的輸入，3DCNN提取某時刻圖像的外觀和運動信息，側(cè)重提取局部時域特征，LSTM提取動態(tài)幀序列的全局時間信息?；趦煞N網(wǎng)絡(luò)的優(yōu)勢，我們采用兩種網(wǎng)絡(luò)聯(lián)合，充分利用時域在局部和全局的特征信息。

LSTM-SVM網(wǎng)絡(luò)結(jié)構(gòu)有兩部分構(gòu)成，LSTM從輸入中獲取特征，SVM進行特征分類輸出。首先訓(xùn)練LSTM網(wǎng)絡(luò)，將預(yù)處理的動態(tài)序列輸入網(wǎng)絡(luò)，然后獲得調(diào)整后的特征參數(shù)，輸出的信息作為SVM的輸入，進行表情特征分類。

LSTM的輸出層為softmax邏輯回歸網(wǎng)絡(luò)，包括記憶單元和控制記憶單元狀態(tài)的門結(jié)構(gòu)，通過遺忘門丟掉相關(guān)度第的歷史特征，輸入門決定記憶單元對特征的敏感程度，輸出門用于輸出信息。

LSTM記憶單元狀態(tài)更新和輸出的過程如下：

第一步，刪除低關(guān)聯(lián)度歷史信息，如公式(1)所示。

ft=σ(Ufht-1+Wfxt+bf)

(1)

第二步，根據(jù)輸入數(shù)據(jù)、歷史記錄更新，如公式(2)所示。

it=σ(Uiht-1+Wixt+bi)

(2)

第三步，輸出t時刻的信息，如公式(3)所示。

ot=σ(Uoht-1+Woxt+bo)

ht=ot×tanh(Ct)

(3)

其中，Uf、Ui、Uc、Uo是隱含狀態(tài)h對應(yīng)的門權(quán)重矩陣，Wf、Wi、Wc、Wo是輸入狀態(tài)x對應(yīng)的門權(quán)重矩陣，b是對應(yīng)門的偏置向量，σ為激活函數(shù)，tanh為雙曲正切激活函數(shù)。

支持向量機(SVM)用于表情二分類，通過特征空間上最大間隔進行線性分類，添加核函數(shù)轉(zhuǎn)換為非線性分類，求解劃分訓(xùn)練數(shù)據(jù)且?guī)缀伍g隔最大的超平面。

超平面表示為：w·x+b=0,w為直線的斜率，b為直線的截距。數(shù)據(jù)集的幾何間隔定義見式(4)。

(4)

用核函數(shù)K(x,y)代替內(nèi)積，解得非線性支持向量機，見式(5)。

(5)

非線性支持向量機的學(xué)習(xí)具體步驟如下：

首先，輸入訓(xùn)練集；

其次，輸出分離超平面和分類決策函數(shù)；

然后，選取適當(dāng)核函數(shù)K和懲罰參數(shù)C，構(gòu)造并求解凸二次規(guī)劃問題。分類決策函數(shù)可用式(6)表示。

(6)

(7)

最后，設(shè)置懲罰函數(shù)C和幾何間隔γ，γ可設(shè)置成1。

4 應(yīng)急預(yù)警系統(tǒng)設(shè)計

構(gòu)建四層情緒監(jiān)測結(jié)構(gòu)模型，即視頻數(shù)據(jù)采集層、支撐層、功能實現(xiàn)層和應(yīng)用層。如圖2所示。數(shù)據(jù)采集層采用網(wǎng)絡(luò)攝像機實時采集視頻流，幀頻率25-30，壓縮格式，黑白自動平衡，支持ONVIF、RTSP協(xié)議，光照感光0.1 lux。支撐層經(jīng)過采集層獲得動態(tài)圖像序列，收集表情樣本，分類訓(xùn)練，收集視頻序列檢驗、驗證樣本，在GPU系統(tǒng)進行深度學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)模型。在Intel I7酷睿4/8核CPU實現(xiàn)情緒監(jiān)測的中間各功能層。最上層是分類結(jié)果及應(yīng)急預(yù)警應(yīng)用層。

圖2 異常情緒應(yīng)急預(yù)警系統(tǒng)層次結(jié)構(gòu)

5 實驗設(shè)計與結(jié)果

整理FER2013數(shù)據(jù)集，訓(xùn)練集28709張、驗證集3589張、測試集3589張。每張圖片的像素為48×48。將emotion與pixels分開，形成label. csv和data.csv。轉(zhuǎn)換訓(xùn)練、測試、驗證數(shù)據(jù)為圖片，轉(zhuǎn)換后分成0-6類，分別對應(yīng)著不同表情的圖片。數(shù)據(jù)集中train中的28709張圖片，前24000圖片作為訓(xùn)練數(shù)據(jù)集，其他4709張圖片作為驗證數(shù)據(jù)集，分別放在train、val文件夾中。建立data-label對照表，遍歷train和val文件夾中的所有文件，將jpg格式的圖片名和索引label寫入對照表中，做為卷積網(wǎng)絡(luò)程序的輸入。

采用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)進行特征提取和分類模型訓(xùn)練，優(yōu)化參數(shù)，調(diào)整模型結(jié)構(gòu)，使用驗證樣本對模型進行驗證。視頻人臉表情識別是一個動態(tài)識別過程，使用3D-LSTM-SVM網(wǎng)絡(luò)模型，將視頻中N幀圖像分別對應(yīng)N個CNN提取特征，每層CNN與LSTM相連，將視頻流中各幀表情特征逐個提取，并通過LSTM-SVM分類識別，最終判斷是否為異常情緒。網(wǎng)絡(luò)模型如圖3所示。

圖3 異常表情識別模型

分類判別器輸入圖像大小為256×256×3，卷積核為3×3，設(shè)計四層卷積，濾波器數(shù)量分別為32、64、128、256，輸出圖像大小為32×32×256，利用全連接層進行表情分類識別。通過神經(jīng)元參數(shù)，輸出隱含層信息，將隱含層信息輸入到SVM分類器。卷積網(wǎng)絡(luò)模型設(shè)計見表1。

表1 卷積神經(jīng)網(wǎng)絡(luò)層次

考慮到系統(tǒng)的準確率，在保證功能的情況下，調(diào)整Conv2D的參數(shù)。filters參數(shù)是過濾器的個數(shù)，kernel_size卷積核的尺寸，Strides步長是上下左右滑動的長度，默認為1。Padding只有兩個值valid和same，valid代表圖像邊緣為空，而same表示圖像邊緣用“0”填充。activation激活函數(shù)關(guān)鍵字，表示經(jīng)過本次卷積后，再運行一次激活函數(shù)。sigmoid相對來說，計算量較大，進行反向傳播時，會出現(xiàn)梯度消失情況。ReLU則緩解了過擬合問題，softmax用于分類。首先修改卷積核的個數(shù)8、16、32、64、128，修改卷積核的尺寸3×3、5×5，步長1、2、3，找到最優(yōu)的解，然后通過不同padding值，以及不同的激活函數(shù)達到最優(yōu)目的，修改卷積層個數(shù)，找到模型性訓(xùn)練的最高準確率和效率。卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的參數(shù)輸出見表2。

表2 param輸出

在FRE2013數(shù)據(jù)集上，通過Covariance Pooling、Soft Label等方法進行識別比較，得到的結(jié)果見表3。

表3 FER2013-DB數(shù)據(jù)集上的識別精度

6 結(jié)論

(1) 將某時間窗口的一系列幀作為輸入，使用3DCNN模型，輸入n幀序列與3D濾波器做卷積，整體網(wǎng)絡(luò)與局部特征網(wǎng)絡(luò)結(jié)合訓(xùn)練，捕捉表情變化的過程信息。訓(xùn)練LSTM分類器學(xué)習(xí)表情特征的時間演變，連接低層的CNN網(wǎng)絡(luò)捕捉時空特征信息，完成異常情緒識別及應(yīng)急預(yù)警系統(tǒng)設(shè)計。

(2) 使用FER2013數(shù)據(jù)集對系統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型進行多次深度學(xué)習(xí)后，最高識別效率達到70.04%.

(3) 將應(yīng)急預(yù)警系統(tǒng)設(shè)計成四層，通過異常情緒識別，完成語音視頻的預(yù)警處理。