特征集和分类器融合技术在表情识别中的应用

提出了一种新的人脸表情识别技术,即采用两个不同的特征集相结合的集成方法。首先,使用Gabor滤波器和局部二进制模式建立支持向量机分类器池,然后使用多目标遗传算法搜索最佳的集合作为目标函数,最佳集合确保了低错误率和集合规模的最小化。分别在JAFFE和Cohn-Kanade两个人脸库上设计实验。研究结果表明:本文所提出的方法比使用单一的特征集和单分类器的传统方法提高了5%和10%的识别率。     

基于Mutual Boost和支持向量机的表情识别

主要研究自动人脸表情识别(FER),首先使用Gabor算法提取人脸图像的特征,再针对Gabor特征维数高、冗余大及利用传统的AdaBoost算法进行特征选择时特征间仍存在较大冗余的特点,引入了基于互信息的AdaBoost算法(MutualBoost)进行特征选择,降低特征维数和减少特征间的冗余信息量。然后再以SVM分类器进行分类。本算法在JAFFE表情库上进行测试,结果验证了算法的有效性。     

基于SVM的人脸表情识别

以人脸表情视频序列为研究对象,介绍了人脸表情识别的一般过程,给出了基于SVM的人脸表情识别方法,讨论了面部表情强度度量方法。通过分析人脸表情的变化,在L-K光流算法基础上应用修正的特征点跟踪方法提取面部特征信息,使用SVM建立人脸表情模型和强度模型,进行表情识别,并对高兴表情进行强度等级分类。实验结果证明了提出方法的有效性。     

基于SVM信息融合方法的人脸表情识别

提出一种基于支持向量机(SVM)的信息融合方法进行人脸表情识别．该方法首先对 预处理后的人脸图像进行局部特征和整体特征的提取;然后用最小距离分类器、最近邻距离 分类器、最大相关分类器、径向基函数(RBF)神经网络分类器进行表情识别;最后构造一 个三阶的多项式支持向量机对多个分类器的输出进行决策融合以达到人脸表情识别的目的．     

基于多层感知机改进型Xception人脸表情识别

针对使用深度学习提取人脸表情图像特征时易出现冗余特征,提出了一种基于多层感知机（MLP）的改进型Xception人脸表情识别网络.该模型将Xception网络提取的特征输入至多层感知机中进行加权处理,提取出主要特征,滤除冗余特征,从而使得识别准确率得到提升.首先将图像缩放为48*48,然后对数据集进行增强处理,再将这些经过处理的图片送入本文所提网络模型中.消融实验对比表明：本文模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为98.991%、99.02%和80.339%,Xception模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为97.4829%、90.476%和74.0678%,Xception+2lay模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为98.04%、84.06%和75.593%.通过以上消融实验对比,本文方法的识别正确率明显优于Xception模型与Xception+2lay模型.与其他模型相比较也验证了本文模型的有效性.     

一种面向移动端的浅层CNN表情识别

移动端的表情识别有巨大需求,但是受算力限制,主流深度神经网络无法直接移植.为此,设计了一个浅层网络,在节约计算量的同时保证了识别率.网络中使用三组堆叠而成的卷积层,有助于增大感受野,便于更好地提取特征,这是提升识别率的关键;使用全局平均池化层,避免引入额外的全连接层,大幅降低参数量,在训练样本不足的情况下,降低模型过拟...     

基于关键子区域及特征提取的表情识别

针对传统表情识别系统不能充分提取关键子区域及有效特征的缺陷,设计了基于关键子区域及特征提取的表情识别系统。首先使用面部关键点检测技术及面部编码系统筛选出关键子区域;然后对其进行特征提取。提出一种改进的局部梯度编码算子(LGC)、局部均值梯度编码算子(LMGC-HD);改进的算子具有更低的维度,能够充分地描述局部形变;且受随机噪声及边缘变化影响小。最后使用支持向量机(SVM)进行分类识别。采用CK+数据集进行实验,结果证明该系统能够有效地提高人脸表情的识别率。     

一种基于剪切波变换的人脸表情识别算法

剪切波变换是一种新型多尺度几何分析方法.利用剪切波变换良好的方向敏感性和各向异性,提出了一种基于剪切波变换的人脸表情识别方法.实验表明,该方法在日本JAFFE和加拿大瑞尔森RML人脸表情数据库上的识别率分别达到了98.58％和95.83％.     

基于人脸运动单元及表情关系模型的自动表情识别

面部表情是人们表达情感和意向最有效、自然、快捷的方式. 表情的发生主体不同,程度不同,导致了表情的自发性. 基于这一难点,建立了一种人脸运动单元(action units,AUs)及面部表情间的概率关系模型,该模型将人脸分为眉眼区域和嘴巴区域两部分,采用Gabor小波提取区域特征,通过K临近(K nearest neighbor,KNN)与贝叶斯网络(Bayesian network,BN)相结合的机器学习算法进行自动AUs表情识别. 这种改进的机器学习算法,通过训练数据以及主观的先验知识进行模型学习,为AUs配以不同的权重,并且根据极大后验概率(maximum a posteriori probability,MAP)选取最优表情. 实验表明,本文所提出的模型对不同主体、不同程度的表情都表现出了较高的识别率,是一种高效且鲁棒性强的自动表情识别系统.      

基于LabVIEW 的面部表情识别系统的设计

针对传统界面表现不清晰, 编程语句繁琐的问题, 基于LabVIEW 软件设计了系统的面部表情识别界面。对面部表情识别系统设计中的关键问题进行探讨, 利用Matlab, 应用离散小波理论算法进行表情图像特征提取, 并采用弹性模版匹配算法进行情绪识别。实验结果表明, 基于LabVIEW 的面部表情识别系统, 应用LabVIEW软件简单的语句设计了清晰互动的界面, 其识别率可达到85%以上。     

基于多尺度特征选择网络的人脸表情识别

首先, 针对人脸表情识别问题提出一种新的多尺度特征选择网络识别方法, 该网络充分结合多尺度网络结构和特征选择结构的优点, 能更有效地提取面部静态图像中的空间信息. 其次, 为验证本文提出的多尺度特征选择网络的识别性能和泛化能力, 在两个经典的人脸表情识别数据集上与一些常用的方法进行对比和交叉验证实验. 实验结果表明, 该网络取得了更好的识别效果, 并且具有良好的泛化能力, 可以灵活地嵌入到人脸表情识别分析系统中.     

基于非负矩阵分解的面部表情识别研究

提出了一种基于非负矩阵分解与支持向量机相结合的面部表情识别方法。使用直方图均衡化等方法对人脸图像进行预处理,使用非负矩阵分解算法进行表情特征提取,采用支持向量机对面部表情进行分类。以Matlab为仿真工具,在日本女性人脸表情数据库上测试。取得了66.19％的识别率。     

融合单演二值编码的人脸表情识别算法

为提高人脸表情识别算法的识别率和鲁棒性,本文提出一种融合单演二值编码的人脸表情识别算法.该算法运用单演信号分析提取多尺度单演振幅、相位和方向三个正交互补的分量,使用单演二值编码对该三种分量的每个尺度进行编码及划分为多个矩形块子区域,并采用分块Fisher线性判别对其降维并提高识别率.实验结果表明:所提算法比传统人脸表情识别算法具有更高的识别率.此外,遮挡对比实验证明了所提算法比传统算法有更好的鲁棒性.     

基于弹性模板和K近邻结合的表情识别算法

视频流中检测到的关键帧图像包含了足够的表情信息,为了将这些表情信息进行分类和识别,文章提出了一种新的弹性模板匹配算法,它首先针对经Gabor小波变换后的表情模板,运用模板图像中表情关键点的检测算法,根据表情关键点的特征信息,构造表情弹性图,通过改变表情模板弹性图中关键点的位置,将表情模板与被测表情弹性图进行非刚性匹配,进而得到两者之间的相似程度,最后通过改进的K-近邻分类策略,实现被测图像表情的有效分类与识别.     

基于LBP和KNN的视频纹理识别算法

为实现视频纹理的有效识别, 提出一种基于 LBP(Local Binary Patterns)和 KNN(k-Nearest Neighbor)的视频纹理识别算法。 该算法将视频纹理视为一个图像纹理集合, 通过多个图像纹理集合的方式表示。 由于可计算任意两幅纹理图像的相似度, 对于两个视频纹理, 可以计算两个图像纹理集合中所有元素之间的相似度, 将这些相似度中的最小值作为这两个视频纹理的相似度, 若要实现视频纹理的识别, 则可通过 KNN 算法实现分类与匹配。 通过在 DynTex 动态纹理数据库中的相关实验, 证明了该算法的有效性。     

基于多特征与卷积神经网络的人脸表情识别

提出一种多特征与卷积神经网络相结合的人脸表情识别方法。先对人脸表情图像进行预处理,根据人脸面部"三庭五眼"的特征和人脸的几何模型对图像进行裁剪,采用双三次插值法对图像进行缩放。然后提取样本的局部方向模式、二维离散小波变换、Sobel算子三种特征。将这三种特征以三通道图像的形式输入卷积神经网络中进行自适应融合,融合后的特征通过Softmax层进行分类。在CK+数据库的识别率为99.51%,在RAF-DB的识别率为72.1%,识别率都有所提升,验证了所提方法的有效性。     

基于Gabor变换的表情识别系统的设计

针对Gabor特征维数和冗余度较高的缺点,对Gabor小波变换特征进行分块,提取了所有子块局部统计特征,然后使用PCA+LDA方法对这些特征进行选择,最后采用决策树分类法进行了人脸表情识别.实验结果表明:此方法在维数降低的同时,其识别性能比传统的方法更具优势.     

基于自动提取特征点的三维人脸表情识别

为实现完全自动的人脸表情识别,提出一种基于自动提取三维及二维特征点的三维人脸表情识别算法.该算法采用在三维点云、深度图像以及三维点云对应的二维特征图像上分别自动获得特定特征点,并将非点云上获得的特征点映射回三维点云以获得全部需用特征点的方法.基于这些自动获取的特征点得到三维欧氏距离组成25维特征向量以待分类.通过运用支持向量机作为分类器,取得了平均87.1%的6种基本表情的分类结果,其中惊讶、开心表情的分类结果分别达到了92.3%和91.7%.      

基于测地线采样的三维表情人脸识别

针对测地线类人脸识别算法速度慢的问题, 提出了一种基于测地线环带特征点采样的三维人脸识别方法。首先根据测地线距离以鼻尖点为中心在人脸表面绘制一系列等距测地线环; 再对测地线环带进行特征点采样构成人脸描述特征, 并进行PCA(Principal Component Analysis)运算和去相关处理; 最终使用投票法融合各环带单独结果以识别人脸。在FaceWareHouse 表情三维人脸数据集上进行的识别实验表明, 该方法识别准确率与传统测地线法相当, 而识别时间有明显减少, 平均识别时间由2. 55 s 降至0. 624 3 s。     

基于区域块LBP特征的人脸表情识别

人脸表情识别是模式识别与人工智能领域的研究热点之一,针对传统LBP方法的不足,提出了一种基于区域块LBP的人脸表情识别方法:先在人脸面部分割出与表情相关的眉毛、眼睛、鼻子和嘴巴等关键区域;再从这些关键表情区域提取表情特征,避免了在整个面部提取特征耗时的缺陷,同时有效地降低了特征维数;最后利用最近邻分类器给出识别结果,通过实验验证了本文算法在识别性能和时间性能上的优势.