人脸面部表情识别的研究进展

随着信息和计算机技术的飞速发展,人脸面部表情识别技术越来越受到重视.本文综述了近年来人脸面部表情识别的研究进展.首先对面部表情识别技术的研究背景和发展历程作了简单的回顾,然后着重介绍了几种主要的识别方法,并力争从理论上对各种方法进行分析和比较,最后简单地讨论了进一步提高面部表情识别率的难点和必须考虑的几个重要方面,进而展望了人脸面部表情识别技术的发展方向.     

基于改进VGG网络的面部表情识别方法

针对传统面部识别方法中网络模型重要通道特征关注度欠缺、参数过多、准确率低等问题,提出一种基于改进VGG19网络(Visual Geometry Group, VGG19)的表情识别方法。该方法在VGG19网络的每组卷积层之间都加入一个新模块,新模块由三方面组成：SE注意力机制模块、BN批量归一化层、PReLU激活函数,SE模块中的原激活函数ReLU替换为Mish激活函数,加速收敛,提升网络对面部细节关注度;对全连接层参数量进行修改,去除第一层全连接层和第二层全连接层,最大池化层替换为全局混合池化,达到卷积层加全局混合池化、一层全连接层的组合。原网络中全连接层节点数由[4 096,4 096,1 000]改进为[512,7],改善了VGG网络庞大参数量的特征,增加抗过拟合效果。在CK+和FER-2013表情数据集上准确率分别达到98.990%和73.112%,证明所提方法具有较好的泛化性和准确率。     

基于图像的手势识别技术的专利分析

随着图形交互界面技术的发展,手势识别技术的研究日益受到重视,成为界面输入技术的研究热点,但是识别率和易操作性仍是制约手势识别技术发展的重要因素之一.针对基于图像的手势识别技术,分析了该领域历年专利申请数量及专利产出国的分布情况,并对该领域的热点技术手势分割和手势匹配进行了分析,希望对该领域研究者有所帮助.     

基于融合DCT和LBP特征提取的面部表情识别

针对离散余弦变换(DCT)只能提取面部表情图像的全局特征,而忽略了临近像素之间的关系、不能提取纹理特征信息、不能准确区分相似表情等问题,提出一种融合离散余弦变换方法和局部二值模式(LBP)特征的表情特征提取方法。该方法首先将人脸图像经过DCT获得的低频系数作为表情的全局特征;然后用LBP对贡献率较大的嘴部、眼睛区域进行局部纹理特征提取,通过将LBP提取到的局部纹理特征与DCT提取到的全局特征进行融合,从而得到更有效的表情特征;最后利用支持向量机(SVM)进行识别。实验结果表明:该方法比单独使用DCT方法提取的表情特征更有利于识别,提高了表情识别的准确性,并将这个表情识别方法用于智能轮椅的控制上,收到了良好的效果。     

基于ROI分割和相干映射的裸手字母手势识别

提出了实时条件下裸手单目的手部定位和跟踪算法。结合改进的差分法提出了实用的手部约束条件，从每帧图像中提取手部图像，确定感兴趣区域（ROI，region of interesting），得到较为满意的手部分割结果，再对手部图像特征进行深入分析和提取，利用改进的相干映射算法（VCM，vector coherence mapping）进行跟踪，针对手的运动增加了约束，保证了顽健性。在这个基础上，提出了时间相关的运动预测模型，满足了实时性的要求，保证前后分析结果的一致性。实验结果证明，在不同光照和复杂背景下系统有最高达99％的识别率，与已有的系统相比，性能显著提高。     

基于手势识别的机顶盒遥控技术浅析

作为新一代实用人机交互方式,手势识别正受到人们越来越多的关注。本文首先介绍了当前手势识别技术的具体流程与发展情况。并基于目前手势识别对硬件需求的现状,探讨了将基于表观的实时手势识别技术应用于机顶盒等低速硬件设备的前景。     

基于触摸显示屏的人机交互手势分析

针对触摸显示屏的操作特点提出了一种基于元动作的触摸手势分类和表示方法,根据人机交互要求定义了一套笔画触摸手势,提出了基于RBF神经网络的笔画触摸手势训练和识别方法。测试结果表明,所提出的方法能够快速、准确地对触摸手势进行训练和识别,可以为带触摸屏的设备提供一个更加自然、直观的人机交互手段。     

基于兴趣区域深度神经网络的静态面部表情识别

通过在面部表情数据集上训练深度卷积神经网络、深度稀疏校正神经网络两种模型,对两种深度神经网络在静态面部表情识别方面的应用作了对比和分析.基于面部表情的结构先验知识,提出一种面向面部表情识别的改良方法——K兴趣区域方法,该方法在构建的开放实验数据集上,降低了由于训练数据过少而导致深度神经网络模型泛化能力不佳的问题,使得混合模型普遍且显著地降低了测试错误率.进而,结合实验结果进行了深入分析,并对深度神经网络在任意图像数据集上的可能有效性进行了深入剖析和分析.     

基于HOG和SVM的手势检测技术

将梯度方向直方图特征,结合支持向量机应用于手势检测中,可有效减弱光照、手势旋转等因素所带来的影响,并对HOG提取过程及参数设置进行了详细分析,同时结合线性SVM训练出了检测效果较好的分类器。通过实验证明,将HOG特征提取与SVM学习算法结合,手势检测的应用限制将大幅降低。     

基于Kinect深度图像的指尖识别及手势判定

在基于微软Kinect体感设备开发的交互应用系统中,使用传统的鼠标、键盘等交互设备难以达到理想的效果。针对这种情况,提出一种基于指尖识别的手势判定方法。采用Kinect传感器获取图像的深度信息,通过OpenNI的内置模块获取手心的位置信息,使用最近邻法实现手部的分割并对手形进行提取;并采用射线求交法优化Graham Scan算法获取凸包点集合,利用轮廓分析法从凸包点中识别出指尖。在此基础上,结合指尖数目和面积比例实现对“抓取”手势的判定。实验结果表明,该方法能有效地识别抓取动作的手势,且具有良好的鲁棒性。     

基于ICA的人机交互手势的识别

通过对独立分量分析(ICA)理论的研究以及对人机交互手势特征的分析，提出了一种基于ICA的静态手势特征提取与识别的方法。用ICA方法分别提取各类静态手势图像的独立分量特征(ICF)，构成手势图像的独立基函数空间，对手势图像采用独立分量的最小二乘意义下的表示，结合系统的判别阈值实现对手势的分类识别。系统采用4类手势，共计80幅图像，对方法的有效性进行了检测。实验结果表明，这一方法不仅可行，而且能够获得满意的识别结果。     

基于FMCW雷达的双流融合神经网络手势识别方法

针对传统光学摄像头和无线技术的手势识别方法受光照环境影响和空间纵向、横向特征不全的问题,该文提出一种基于调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达信号的双流融合神经网络（Two-Stream Fusion Neural Network,TS-FNN）手势识别方法.首先,利用二维快速傅立叶变换（Fast Fourier Transform,FFT）求取中频信号的频谱,估计手势的距离和速度,并利用多重信号分类（Multiple Signal Classification,MUSIC）方法计算角度.其次,利用这三维参数在时间上的累积,将一个手势动作映射为32帧距离-速度矩阵图和角度时间图.最后,建立TS-FNN进行手势特征提取和特征融合.实验结果表明,TS-FNN方法与传统卷积神经网络相比,手势的平均识别准确率提升了约5%.     

人脸面部表情自动识别技术的研究进展

近年来，面部表情识别技术已成为模式识别领域中的一个重要的研究课题，因此表情识别的研究进展也受到了更多的关注。首先介绍了表情识别技术的背景及目前的研究进展，然后介绍了一些表情识别的主要的方法，并介绍了面部表情识别技术的难点，最后对表情识别技术进行了展望。     

结合FSVM和KNN的人脸表情识别

为了提高人脸表情的正确识别率,提出了一种组合模糊支持向量机(FSVM)和K-近邻(KNN)的人脸表情识别的新方法.该方法通过主成分分析(PCA)提取人脸表情特征,对于待分类的不同区域,根据区分程度自适应划分为不同区域类型;并结合FSVM和KNN算法的特点,对不同区域类型切换分类算法.实验表明,此方法既能保证分类的精确度,又能简化计算复杂度.     

基于隐马尔可夫模型(HMM)的人脸表情识别

人脸表情识别是目前的研究热点．文中介绍了人脸表情识别的过程，给出了基于隐马尔可夫模型（HMM）的人脸表情识别方法．通过分析人脸表情的变化情况，利用二维离散余弦变换（2D—DCT）提取脸部表情特征，经过大样本训练构建HMM模型来识别图像中的人脸表情．实验结果表明该方法是一种高效的面部表情识别方法。     

基于小波能量特征和FLD的人脸表情识别

提出一种能量特征和Fisher线性判别法(FLD)相结合的面部表情识别方法,首次提出了小波能量特征在表情识别中的应用.鉴于小波能量特征具有表现表情纹路的能力,与人脸表情识别的要求正好相符,把小波能量特征加入到原始图像中,再用FLD进行特征提取.通过在日本JAFFE人脸表情库的七种表情(生气、厌恶、恐惧、高兴、中性、悲伤、惊讶)上进行实验,验证了该方法的有效性.它不仅能获得高的表情识别率,而且过程简单,易于实现.     

基于Kinect的空中手势跟踪识别的研究与实现

本文以肢体语言中的手势为出发点,利用微软的Kinect体感设备,采集RGB彩色图像和深度图像,研究并提出一套手势跟踪识别的设计思路与实现方法。首先,利用Kinect所获取的色彩及深度信息,建立人体骨骼图从而更方便地定位手部位置并获取手部轮廓。其次,从HSI彩色空间对手部的深度图像进行二值化,并进行腐蚀、细化处理,去除手掌掌心部分。最后,通过对手指的计数定义相应操作。经实验测试,该系统具有对手势的识别功能,可以达到用空中手势动作进行人机交互的目的。