一种基于Gabor小波特征的人脸表情识别新方法

近来,表情识别成为人机交互研究的热点.将Gabor小波变换与2DPCA结合提出了一种表情识别的新方法.首先对静态灰度表情图片进行预处理,然后对其进行Gabar小波变换,通过2DPCA进行降维,根据Gabor不同尺度不同方向的变换结果训练不同的分类器,由校验集得到分类器权值,通过隶属度函数将各个分类结果模糊化,实现了分类器集成和表情特征数据的融合.实验证明了Gabor小渡与2DPCA结合在表情识别中的有效性,以及基于Gabor小波模糊分类器集成的方法能够进一步提高识别率.     

基于混淆交叉支撑向量机树的自动面部表情分类方法

面部表情自动分类是情感信息处理研究中的重要内容,为了提高表情识别的准确率以及鲁棒性,提出了一种基于混淆交叉支撑向量机树的面部表情自动分类方法。该方法依据伪Zernike矩特征,以混淆交叉支撑向量机树对矩特征进行学习,实现面部表情的自动分类。混淆交叉支撑向量机树的结构使模型能够根据教师信号将面部表情识别问题分解,在不同的层次上以相对较低的复杂度解决子问题;在训练阶段,对当前中间节点划分的两个子样本集进行混淆交叉,增强了模型在面部表情识别上的整体泛化性能以及鲁棒性。实验对Cohn-Kanade面部表情数据库中的6类基本表情进行自动分类,准确率达到96.31%;与同样基于该数据库的识别方法相比,该方法在识别正确率和鲁棒性上具有较大的优势。     

基于C均值K近邻算法的面部表情识别

随着人工智能与模式识别技术的不断发展,面部表情识别在智能人机交互中发挥着越来越重要的作用.通过对人的面部表情分类的研究,提出了一种使用C均值聚类、K近邻算法的面部表情分类方法.对参加训练的表情图像先进行Gabor小波变换,然后使用Fisherface判别分析方法进行变换,求得特征空间.再将已进行Gabor变换的标准表情图像投影到特征空间,进行C均值聚类得到子类表情模板.对于一幅待识别的表情图像,使用K近邻算法与子类表情模板比较,将该表情图像分类.使用该方法,在公开的日本女人表情人脸库上实测达到了95.8%的识别率.     

基于特征融合和模糊核判别分析的面部表情识别方法

提出了基于特征融合和模糊核判别分析（FKDA）的面部表情识别方法。首先,从每幅人脸图像中手工定位34个基准点,作为面部表情图像的几何特征,同时采用Gabor小波变换方法对每幅表情图像进行变换,并提取基准点处的Gabor小波系数值作为表情图像的Gabor特征;其次,利用典型相关分析技术对几何特征和Gabor特征进行特征融合,作为表情识别的输入特征;然后,利用模糊核判别分析方法进一步提取表情的鉴别特征;最后,采用最近邻分类器完成表情的分类识别。通过在JAFFE国际表情数据库和Ekman“面部表情图片”数据库上的实验,证实了所提方法的有效性。     

基于混合方法的人脸表情识别研究

针对人脸表情图像识别进行了研究,为了提高表情图像的识别率,提出了一种综合Gabor小波、离散余弦变换、支持向量机的人脸面部表情识别方法。采用ISOMAP算法对人脸面部表情的分类以及强度鉴别。利用Gabor小波变换的局部化特点滤掉人脸表情图像中的高频信息,提出结合离散余弦变换提取系数作为识别特征,并用支持向量机的训练样本构造表情强度模型,进行仿真实验。实验结果表明方法与传统的识别方法相比,系统具有良好的鲁棒性,达到较高的识别率,并能实现了人脸面部表情的分类和强度鉴别。因此充分证明了方法的有效性。     

Gabor小波与表情组合模板相结合的表情识别

本文提出了一种新型的表情组合模板与Gabor小波相结合的面部表情识别方法。借助Gabor小波变换在图像处理领域的优势,克服不同因素给表情识别带来的不利影响,有效的提取与表情变化有关的特征,从分类的角度来构造的表情组合模板。在人脸检测的基础上,利用Gabor小波变换提取各个区域的特征矢量,与待识别表情对应的各个特征区域的特征矢量进行比较,利用欧氏距离选择最小值对应的矢量,返回表情组合模板中,确定待识别表情的类型。实验表明该方法的识别率可达83%,表情识别效果较好。     

疲劳驾驶面部表情识别算法 *

针对疲劳驾驶的六种表情 ,提出几何规范化结合 Gabor滤波提取表情特征 ,使用支持向量机对疲劳驾驶的面部表情分类识别的系统。首先对视频图像预处理进行几何规范化 ,利用二维 Gabor核函数构造最优滤波器 48个,获取 48个面部表情特征点 ,最后利用支持向量机进行面部表情分类识别。实验结果表明径向基函数的 SVM性能最好。     

基于Gabor参数矩阵与改进Adaboost的人脸表情识别

针对目前人脸表情识别(FER)中Gabor特征维数高、计算量大并且存在特征冗余的问题,提出一种基于Gabor参数矩阵与改进Adaboost的人脸表情识别算法。首先,结合图像像素信息与Gabor小波核的参数定义Gabor参数矩阵;其次,在Adaboost中引入遗传算法(GA)的思想改进其搜索性能,并利用改进的Adaboost选择与Gabor参数矩阵元素对应的最优特征来构建强分类器,从而通过特征选择的方法降低Gabor特征的维数和冗余,减少计算量;最后,在构建多个强分类器的基础上,提出多表情分类算法实现面部表情的分类识别。基于Matlab的实验结果表明,该算法的平均表情识别率为89.67%,且最优特征的选取效率得到明显提高。     

基于参数估计的贝叶斯网络面部表情识别

面部表情是一种非语言暗示,在人际交往关系中发挥重要的作用.静态图像中分析处理面部表情,人机交互的处理方法就有很多.首先利用Gabor对静态图像进行特征提取,由PCA降维之后再用贝叶斯估计参数构建的贝叶斯分类器进行分类,从而达到表情识别的目的.     

面部表情的深度卷积级联森林识别

面部表情识别广泛应用于各种研究领域,针对面部表情识别使用深度神经网络方法结构复杂、可解释性差和传统机器学习方法特征提取缺乏多样性、识别率低的问题.提出了一种新的深度卷积级联森林(Deep Convolution Cascade Forest,DCCF)方法用于人脸面部表情识别,该方法通过卷积神经网络深度学习人脸面部显著特征,并采用基于随机森林的级联结构森林逐层学习识别出不同的面部表情特征,提高了人脸表情的识别准确率.DCCF在JAFFE、CK+和Fer2013 3个公开面部表情数据集进行了实验,并对面部表情提取的5种特征和7种分类方法进行了比较分析,结果显示DCCF在对比的算法中人脸表情识别性能最好,3个数据集的准确率分别达到91.4%,98.7%,71.6%.