面部表情预处理和仿真子系统的设计与实现

表情识别技术在人工智能、心理医学、人机交互等领域发挥着重大作用。文章主要探讨了面部表情识别子系统的设计与实现,并对手绘图像表情识别进行了实验;基于人面部表情的多变和面部皮肤存在不同干扰区域,也对图像干扰颗粒处理的扫描标号算法进行了研究。     

面部表情快速重构与识别方案的设计与实现

计算机人脸表情重构在人机情感交互中起着非常关键的作用。本文详细阐述了基于Web的面部表情快速重构与识别设计方案及其实现。通过实践检验，该方案能够实现在网络上快速重构面部表情，实时性好，并与表情识别能够较好地结合起来，且面部表情特征的数据处理方式具备较强的通用性。     

面部表情识别方法综述

介绍了表情识别难点及研究现状;重点阐述了不同的人脸表情特征提取方法和基于分类器的表情识别方法,并对各种方法进行了简单的分析比较;最后针对鲁棒性的需求,给出了人脸表情识别未来要研究的重点内容。     

一种新的人面部表情识别方法

论文提出一种全自动识别人脸七种基本表情(愤怒、厌恶、恐惧、高兴、无表情、悲伤和惊奇)的方法。该方法首先采用几何模型匹配法自动定位出人眼,在此基础上进行人脸大小归一化,然后利用局域二值模式(LocalBinaryPattern,LBP)技术提取面部特征,最后采用由粗到细的方案进行表情分类。采用日本的JAFFE公用表情数据库来检测算法的性能,实验结果验证了方法的有效性。     

融合人脸多特征信息的表情识别系统

基于对处于不同表情中人脸特征差异的分析,发现用同种方法提取面部各部分特征无法达到信息利用度的最大化,会产生有用信息丢失或者冗余计算,降低了算法的识别准确率和运行速度。针对面部表情改变时,变化最大的3个部分——嘴、额头和眉毛在形状、纹理和距离上的差异,提出用模板匹配法提取嘴部特征,用边缘检测法提取额头特征,用外轮廓检测法提取眉毛特征,并综合这三者的输出得到最终面部表情识别结果的多特征提取识别系统。实验结果验证了该方法的稳定性与有效性,该算法无论在识别准确率还是在整体运行速度上都达到了较高的水平。     

基于XML的面部表情快速重构方案

计算机人脸表情重构在人机情感交互中起着非常关键的作用。该文阐述了基于XML的面部表情快速重构设计方案及其实现。通过实践检验,该方案能够实现在网络上快速重构面部表情、实时性好且面部表情特征的数据处理方式,具备较好的通用性。     

面部表情图像的分析与识别

本文通过对若干类面部表情图像的分析，建立了基于部件分解组合的人脸图像模型。根据对部件形状和相对位置的分析，提出了表情的分类树，建立了表情模型的向量表示。根据能量优化原理，利用模板匹配方法提取目标特征，得到人脸表情的表征向量，由模式分类方法实现表情的识别。     

基于HMM的面部表情图像序列的分析与识别

1　引言人们在实际生活中 ,依靠脸、手等体势信息的交流是一件最简单便利的事情 ,因而在计算机科学中 ,面部表情的识别对促进计算机视觉系统 ,建模和数据库的发展都有重要作用 ,是计算机情感计算的重要研究内容 ;在基础科学研究方面的语言学中和在行为学方面 ,以及在商业应用方     

面向视频序列表情分类的LSVM算法

为了提高基于视频序列的表情识别精度,在KNN-SVM算法的基础上提出局部SVM分类机制,并将其用于视频序列中的表情分类.对于一个待分类的几何特征样本,首先在训练集中寻找该样本的k个近邻样本,然后根据这k个近邻样本和待分类样本的相似度信息,重新构建局部最优的SVM分类决策超平面,用来对该几何特征样本进行分类.在Cohn-Kanade数据库中的对比实验表明,该分类器有效地提高了表情分类的精度.     

面部表情识别研究进展

面部表情识别是计算机视觉中一个具有挑战性的课题,该文对国内外面部表情识别做了系统综述与比较,分析了面部表情识别目前存在的问题,并对今后发展提出了几点思考.     

人脸表情运动跟踪与表情识别算法

对于人脸视频中的每一帧,提出一种静态人脸表情识别算法,人脸表情运动参数被提取出来后,根据表情生理知识来分类表情;为了应对知识的不足,提出一种静态表情识别和动态表情识别相结合的算法,以基于多类表情马尔可夫链和粒子滤波的统计框架结合生理知识来同时提取人脸表情运动和识别表情.实验证明了算法的有效性.     

基于DWT-DCT-SVM的人脸表情识别

提出了一种基于二维离散小波一离散余弦变换-支持向量机（DWT-DCT-SVM）面部表情识别算法。该算法先利用DWT在不明显损失图像信息的基础上对表情图像进行变换,变换后的图像数据量大大减少。再利用DCT提取代表原图像绝大部分能量的数据作为表情特征矢量,最后利用SVM来识别。实验表明：本算法提取的500个数据长度的表情矢量在一定条件下能较准确地识别出通用的6种表情,但是泛化性能较差。     

人脸表情识别研究进展

人脸表情识别(Facial Expression Recognition,FER)是计算机视觉、机器学习、人工智能等领域的重要研究方向,目前已经成为国内外学者的研究热点。介绍了FER系统流程,总结了表情特征提取和表情分类的常用方法以及近年来国内外学者对这些方法的改进,并对这些方法的优缺点进行比较。最后,对目前FER研究的难点问题进行了分析,并对FER未来的发展方向进行展望。     

人脸表情识别的研究进展

人脸表情识别是人机交互、机器学习、智能控制和图像处理等领域涉及的重要研究方向,目前已成为国内外研究的热点。从人脸表情识别的特征提取和特征分类两方面出发,总结了国内外近几年人脸表情识别的进展状况。在特征提取阶段,根据所处理的图像的属性,分别从静态图像和动态图像两个方面总结人脸表情的特征提取算法,前者包括整体法和局部法,后者分为模型法、光流法和几何法。在分类器的设计上,以贝叶斯网络和距离度量两条理论主线,贯穿主要的方法。最后结合国内外最新的研究成果和应用领域,展望了人脸表情识别的发展。     

人脸表情识别综述

人脸表情识别是人类情感识别的基础,是近年来模式识别与人工智能领域研究的热点问题。本文首先总结了人脸表情识别的发展过程,主要包括传统的表情特征提取、表情分类方法与基于深度学习的表情识别方法,并对各种算法的识别率与性能进行了分析与比较。然后介绍了表情识别常用的数据集及各数据集的优势与存在的问题,并针对这些问题归纳分析了生成对抗网络等用于数据增强的技术与方法。最后,总结了表情识别领域目前存在的问题并展望了未来可能的发展。     

基于局部流形注意力的人脸表情识别

人脸表情识别在各种人机交互场景中有广泛的应用,但在表情模糊或存在遮挡情况下,现有的表情识别方法效果并不理想.针对表情模糊和遮挡问题,本文提出了一种基于局部流形注意力(SPD-Attention)的网络架构,利用流形学习得到具有更强描述能力的二阶统计信息以加强对表情细节特征的学习,抑制遮挡区域无关特征对网络的影响.同时,针对流形学习过程中由于对数计算导致的梯度消失和爆炸,本文提出了相应的正则约束加速网络收敛.本文在公开表情识别数据集上测试了算法效果,与VGG等经典方法相比取得了显著提升,在AffectNet、CK+、FER2013、FER2013plus、RAF-DB、SFEW上正确率分别为:57.10%、99.01%、69.51%、87.90%、86.63%、49.18%,并在模糊、遮挡表情数据集上相比于Covariance Pooling等目前先进方法提升了1.85%.     

基于压缩感知的鲁棒性人脸表情识别

为了有效提高噪声背景下的人脸表情识别性能,提出一种基于压缩感知的鲁棒性人脸表情识别方法.先通过对腐蚀的测试样本表情图像进行稀疏表示,再利用压缩感知理论寻求其最稀疏的解,然后采用求得的最稀疏解信息实现人脸表情的分类.在标准的Cohn-Kanade表情数据库的实验测试结果表明,该方法取得的人脸表情识别性能优于最近邻法、支持向量机以及最近邻子空间法.可见,该方法用于人脸表情识别,识别效果较好,鲁棒性较高.