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.     

基于表情识别的智能音乐播放控制系统设计

设计并实现了一种智能音乐播放控制系统,可根据人脸表情识别结果选择合适的播放音乐。硬件系统由PYNQ_Z2开发板、摄像头、HDMI显示屏、音箱组成;软件系统在ARM+FPGA的核心芯片上通过Haar特征与Adaboost算法进行人脸检测,通过LDA与K近邻算法完成表情识别。利用置信度对表情识别结果做二次分类,并利用PID控制算法对置信度进行调节,提高不均匀光照时系统的鲁棒性。本系统延迟小、鲁棒性强、人机交互丰富,具有较为广泛的应用场景。     

改进ASM和分类树表情识别算法

在现有的人脸表情识别系统中,速度和识别率是最重要的两个衡量标准,为提高人脸表情判别速度和识别率,采用了一种改进了的ASM和分类树表情识别的新方法。首先对传统的ASM的特征点定位过程进行改进,主要用条带法进行局部特征点定位和使用选择性特征点提取算法来提高特征点定位的速度和准确性。用分类树识别算法来改进经典的模板匹配分类法。实验结果表明,在JAFFE人脸表情数据库中进行实验可以获得更好的识别效果。     

基于Gabor小波的人脸表情特征提取研究

为了使计算机能更好的识别人脸表情,对基于Gabor小波变换的人脸表情识别方法进行了研究。首先对包含表情区域的静态灰度图像进行预处理,包括对确定的人脸表情区域进行尺寸和灰度归一化,然后利用二维Gabor小波变换提取脸部表情特征,使用快速PCA方法对提取的Gabor小波特征初步降维。再在低维的空间中,利用Fisher准则提取那些有利于分类的特征,最后用SVM分类器进行分类。实验结果表明,上述提出的方法比传统的方法识别速度更快,能达到实时性的要求,并且具有很好的鲁棒性,识别率高。     

基于改进的Adaboost_SVM的人脸表情识别

针对AdaBoost算法随着学习难度的增加导致分类器的分类效率下降、稳定性变差等问题,支持向量机在小样本中有特有优势;本文结合两种算法优势,基于蚁群算法对SVM的参数进行优化,改进了Adaboost_SVM级联分类算法,首先提取haar-like矩形特征通过Adaboost分类器快速排出非人脸区域;用Gabor小波变换提取人脸表情特征,再结合Adaboost_SVM级联分类器进行人脸表情识别。通过对JAFFE表情库进行试验,表情平均识别率达到94.2%,检测速度有了很大提高。     

基于光流的动态人脸表情识别

文章提出了一种人脸表情识别的新方法.利用光流技术对人脸表情图像序列中的特征点进行跟踪,并提取特征向量.最后,利用神经网络对六种基本表情进行分类识别.     

基于改进的LTP人脸表情识别算法

针对人脸表情识别背景复杂导致识别率低的缺点,提出了一种中心对称三值模式(CSTP)算法,首先对人脸表情图像进行分块处理,在每一子块上提取CSTP特征,并对该子块进行CSTP特征的直方图统计,然后求出各个子块对应的信息熵,构造自适应加权系数,再分别和各个子块的直方图相乘,将自适应加权后的各个子块特征向量级联作为最终的纹理特征,最后利用支持向量机(SVM)进行表情分类.在JAFFE和CMU-AMP表情库上进行试验,通过对比其他传统方法发现该算法对表情识别更有效.     

一种多算法融合的人脸识别方法研究

针对人脸识别技术易受光照、姿态、表情等影响 ,为了增强人脸识别算法的鲁棒性,提出首先采用 LBP算法提取人脸图像的局部纹理特征,使用PCA算法将高维的空间人脸图像投影到低维的 特征空间,使 用LDA算法利用人脸类别标签信息寻找最优的投影向量,实现了人脸图像维度进一步地压缩 ,最后使用SVM 分类器分类匹配得到识别结果。分别使用ORL和Yale人脸数据库验证了算法的有效性,实 验结果表明,文 中该方法具有良好的识别性能,与其它的识别算法相比,识别率有了较大的提高。     

基于MG-LTP与ELM的微表情识别

特征提取和表情分类是表情识别的关键技术。针对传统方法识别率低的缺点,首先,提出了一种基于平均灰度的局部三值模式(MG-LTP)新算法,用于提取表情特征;其次,使用极限学习机(ELM)作为分类器,用于特征分类;最后,将二者结合用于表情识别,并进一步应用于人脸微表情识别中。在JAFFE数据库及CASME人脸微表情数据库进行试验,与传统方法对比,取得了较好的效果。     

基于人脸非对称性的表情识别

阐述了一种基于人脸非对称性的表情识别算法。该算法借助非对称人脸（D-face和S-face）来表征人脸非对称性,利用增强型方差率（AVR）和改进的基于排序思想的方差率自动选取人脸非对称性特征,然后分别用欧氏距离和K-近邻（KNN）算法测定表情识别率。仿真结果表明,人脸非对称性测量包含有判决信息,应用在表情识别中可以有效提高识别的准确率。     

一种基于改进近邻分类器的人脸识别方法

在人脸识别研究问题中,传统的K-近邻分类器是仅基于一种测度进行分类的.但是,这种仅基于一种测度进行分类的方法没有充分考虑不同特征间的相似信息,因而往往分类不够准确.针对这个问题,本文提出了基于距离和角度两种测度联合分类的改进近邻分类器.即在距离测度的基础上融合cosine分类器的角度信息作为分类测度,同时在分类过程中运用模糊识别,以改善传统近邻分类器的分类效果.经计算机仿真数据实验,表明这种改进的近邻分类器与Gabor小波的结合,提高了人脸识别率.     

基于动态时间规整和主动外观模型的动态表情识别

针对静态表情特征缺乏时间信息,不能充分体现表情的细微变化,该文提出一种针对非特定人的动态表情识别方法:基于动态时间规整(Dynamic Time Warping, DTW)和主动外观模型(Active Appearance Model, AAM)的动态表情识别。首先采用基于局部梯度DT-CWT(Dual-Tree Complex Wavelet Transform)主方向模式(Dominant Direction Pattern, DDP)特征的DTW对表情序列进行规整。然后采用AAM定位出表情图像的66个特征点并进行跟踪,利用中性脸的特征点构建人脸几何模型,通过人脸几何模型的匹配克服不同人呈现表情的差异,并通过计算表情序列中相邻两帧图像对应特征点的位移获得表情的变化特征。最后采用最近邻分类器进行分类识别。在CK+库和实验室自建库HFUT-FE(HeFei University of Technology-Face Emotion)上的实验结果表明,所提算法具有较高的准确性。     

Facial expression feature extraction using hybrid PCA and LBP

In order to recognize facial expression accurately, the paper proposed a hybrid method of principal component analysis (PCA) and local binary pattern (LBP). Firstly, the method of eight eyes segmentation was introduced to extract the effective area of facial expression image, which can reduce some useless information to subsequent feature extraction. Then PCA extracted the global grayscale feature of the whole facial expression image and reduced the data size at the same time. And LBP extracted local neighbor texture feature of the mouth area, which contributes most to facial expression recognition. Fusing the global and local feature will be more effective for facial expression recognition. Finally, support vector machine (SVM) used the fusion feature to complete facial expression recognition. Experiment results show that, the method proposed in this paper can classify different expressions more effectively and can get higher recognition rate than the traditional recognition methods.     

基于关键点LBP特征提取的面部AU组合识别

提出以面部关键点为中心选取子区域,对各个子区域提取（Local binary pattern,LBP）特征,用最近邻分类器进行面部运动单元（Action unit,AU）组合识别。AU的运动与面部特定肌肉的变化有关,基于关键点特征的提取方法可最大限度提取有用的信息,减少冗余信息,与提取整幅面部表情图像的LBP特征方法相比较,其识别结果有明显的优势。     

An adaptive fuzzy evidential nearest neighbor formulation for classifying remote sensing images

The paper presents a novel adaptive fuzzy evidential nearest neighbor formulation for classifying remotely sensed images. The formulation combines the generalized fuzzy version of the Dempster-Shafer evidence theory (DSET) and the K-nearest neighbor (KNN) algorithm. Each of the K nearest neighbors provides evidence on the belongingness of the input pattern to be classified, and it is evaluated based on a measure of disapproval to achieve the adaptive capability during the classification process. The disapproval measure quantifies the lack of support with respect to the belongingness of the input pattern to a given class. Pieces of evidence are ranked based on their degree of disapproval and fused in a sequential manner. The pignistic Shannon entropy is used to estimate the degree of consensus among pieces of evidence provided by nearest neighbors and as a criterion for terminating the evidence fusion process. The paper reports the results of experimental work conducted to evaluate the proposed classification scheme using real multichannel remote sensing images. As will be demonstrated using the experimental results, the proposed classification scheme demonstrated robust performance and outperformed commonly used methods such as the K-nearest neighbor algorithm of Cover and Hart (1967), the fuzzy K-nearest neighbor algorithm of Keller et al. (1985), the evidence-theoretic K-nearest neighbor algorithm of Denoex (1995), and its fuzzy version of Zouhal and Denoex (1997). The performance of these techniques is examined with respect to the K-parameter and classification accuracy.     

基于GPCA的KNNY与SVM融合的人脸识别方法

针对K近邻和支持向量机人脸识别率较低的问题,采用一种KNN和SVM融合的识别方法。提出了一种Gabor小波和主成分分析进行人脸特征提取,KNN-SVM进行分类的人脸识别方法。基于ORL和YALE人脸库中进行实验,结果表明该算法较KNN和SVM中任何一个的识别率都要高,且识别率最高可达到98.89%。     

融合局部纹理和形状特征的人脸表情识别

针对局部二值模式(LBP)、中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)的不足进行改进,该文提出中心对称局部平滑二值模式(CS-LSBP)和绝对梯度方向直方图(HOAG),并提出一种融合局部纹理特征和局部形状特征的人脸表情识别方法。该方法首先采用CS-LSBP算子和HOAG算子分别提取人脸表情图像的局部纹理特征和局部形状特征,然后使用典型线性分析法(CCA)进行特征融合,最后利用支持向量机(SVM)进行表情分类。在JAFFE人脸表情库和Cohn-Kanade(CK)人脸表情库上的实验结果表明,改进的特征提取方法能更加完整、精确地提取图像的细节信息,基于CCA的特征融合方法能充分发挥特征的表征能力,该文所提人脸表情识别方法取得了较好的分类识别效果。     

一种改进的K近邻算法在网页分类中的应用

K近邻(k-Nearest Neighbor)算法是进行分类时最常用的文本分类算法,基本的K近邻算法是基于余弦向量距离计算相似度,由于特证词权值的计算采用的是TF-IDF方法,使得该算法在文本分类中对于噪声特征非常敏感,本文针对这一问题,提出在网页分类的领域中,根据网页文章的特性,考虑特征词出现不同位置,改进相似度的计算公式,实验证明,提高了分类的准确性。     

基于非线性特征提取和SVM的人脸识别算法

传统的PCA或LDA都是从像素的二阶依赖上考虑的,对于多像素之间的依赖性或像素的高阶关系不敏感。该文利用核函数方法提取像素高阶相关,并与线性SVM相结合来进行人脸识别。从Yale人脸库上的实验结果可以看出,非线性特征提取是很有效的,并且SVM分类器的性能优于最近邻分类器。