基于稀疏表示的KCCA方法及在表情识别中的应用

在面部表情识别中,由于图像特征中存在与情感语义无关的信息及噪声干扰等因素,在一定程度上影响表情识别的准确性。传统的基于核典型相关分析的识别方法难以有效克服这些因素的影响。为尽可能排除这些影响表情识别的因素,提出一种基于稀疏表示的核典型相关分析方法,并将其应用于表情识别中。该方法的基本思想是应用稀疏学习方法来自动选择表情特征矩阵中的关键特征谱成分进行表情特征与情感语义特征之间的相关性建模,然后通过建立的模型完成对待测表情图像的语义特征估计,并用于表情的分类识别。为验证所提方法较传统的基于核典型相关分析方法的优越性,选取国际标准表情数据库JAFFE进行实验,实验结果证实了所提方法的有效性。     

Java对象系列化技术在分布式数据库中的应用

Java提供了对象系列化技术,利用此把数据对象系列化在上传输,实现多层分布式数据库应用中数据对象的迁移,可以减少网络通信,提高系统性能,并且所设计的程序简洁明了,易于实现,以一个简单的三层数据库应用为例,详细描术了如何利用Servlet和对象系列化技术来设计多层数据库应用,对象系统化在软件工程应用中具有非常积极的意义,不仅适用于多层数据库的应用,也同样适用于其他方面的软件设计,具有广阔的应用前景。     

表情和姿态的双模态情感识别

多模态情感识别是当前情感计算研究领域的重要内容,针对人脸表情和动作姿态开展双模态情感识别研究,提出一种基于双边稀疏偏最小二乘的表情和姿态的双模态情感识别方法.首先,从视频图像系列中分别提取表情和姿态两种模态的空时特征作为情感特征矢量.然后,通过双边稀疏偏最小二乘(BSPLS)的数据降维方法来进一步提取两组模态中的情感特征,并组合成新的情感特征向量.最后,采用了两种分类器来进行情感的分类识别.以国际上广泛采用的FABO表情和姿态的双模态情感数据库为实验数据,并与多种子空间方法(主成分分析、典型相关分析、偏最小二乘回归)进行对比实验来评估本文方法的识别性能.实验结果表明,两种模态融合后相比单模态更加有效,双边稀疏偏最小二乘(BSPLS)算法在几种方法中得到最高的情感识别率.