引入全局约束的精简人脸关键点检测网络

人脸关键点检测是计算机视觉中的典型问题之一，对于人脸三维重建、表情识别、头部姿态估计、人脸跟踪等有重要影响。目前基于深度神经网络的模型在人脸关键点检测性能表现最为突出，已被广泛采用。但是现有关键点检测深度神经网络结构设计越来越复杂，对于训练和测试需要的计算和存储资源要求越来越高。本文提出一种新的精简的关键点检测网络结构以代替现有的网络结构。相对其他网络结构，精简网络只包含一个特征提取模块，以及由几层反卷积层组成的上采样模块。此外我们在网络结构中加入对人脸所有关键点的全局约束，以减少预测离群点的产生。实验表明引入全局约束的精简网络结构在300-W数据集上取得的检测性能超出了目前典型深度神经网络检测模型。      

结合SoftPool的VGG19与CapsNet相级联的表情识别模型研究

表情识别作为计算机视觉领域的研究热点,在情感识别、人机交互、智能安防等领域有着重要的应用.文章针对VGG19在训练人脸表情数据集时由于全连接层参数量过大而易过拟合的问题,利用胶囊网络CapsNet对VGG19的全连接层进行替换,以实现VGG19与CapsNet相级联,从而改善训练时过拟合的问题,同时使得级联后的模型在RAF-DB数据集上的精度提高了5.28％.针对VGG19特征提取网络的MaxPool易丢失人脸特征图信息的问题,利用SoftPool对MaxPool进行替换,从而在最大程度上保留了人脸的细粒度特征.实验结果表明,改进后的模型在RAF-DB数据集上取得了 84.21％的精度,在FER2013数据集上取得了 73.16％的精度,表情识别效果更优.     

人脸表情识别研究进展

随着计算机视觉的发展和人工智能产业的兴起,人脸表情识别技术在人工智能产业有着广泛的应用需求.人脸表情识别在传统机器学习算法下对环境及姿态的改变不具备良好的鲁棒性,而且识别精度也达不到实际应用的要求.计算机和图像处理器等硬件性能的提升,以大数据为核心的深度学习算法得到快速发展,人脸表情识别技术开始趋于在深度学习算法上研究.本文分别对人脸表情图像预处理、特征提取、特征分类3个关键技术进行介绍,具体叙述了从传统的机器学习到基于深度学习的人脸表情识别技术的研究进展,分析了人脸表情识别技术目前面临的挑战和发展趋势.     

基于改进AlexNet卷积神经网络的人脸表情识别

为了解决传统卷积神经网络用于人脸表情识别准确率不高的问题,提出了一种基于改进深度AlexNet卷积神经网络的表情识别方法。该方法基于AlexNet网络的基本结构,采用单图形处理单元（Graphics Processing Unit,GPU）进行训练,减少了两层卷积层和一层全连接层,在每层卷积层后加上批标准化（Batch Normalization,BN）代替原来的局部归一化,并在全连接层后加上Dropout正则化进一步防止过拟合。与AlexNet模型相比,改进的网络结构更简单、复杂度低、参数量少,可以节省大量模型训练时间进行快速预测,且更不易过拟合,同时加快了模型收敛速度,提高了网络泛化能力。在Fer2013数据集以及CK+数据集上进行实验,结果表明,所提方法分别得到了68.85%和97.46%的识别率,较其他人脸表情识别方法的识别率有一定提高。     

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.     

基于改进yolov5的悬轨机器人控制系统设计与实现

近年来,随着深度学习技术的不断发展,计算机视觉技术已成为了一个极其重要的研究热点。文章针对现有计算机视觉系统中成本与算法可用性的平衡问题,设计了一款以树莓派4b为计算平台的悬轨机器人控制系统。该系统应用改进后的yolov5算法模型,实现对行人目标的识别检测。通过改进后的模型,在以人脸为识别目标时,精度可达到89%。     

一种新的人脸面部表情识别算法研究

针对人脸面部表情的识别率易受非均匀光照影响,进而降低人脸面部表情辨识率的问题,提出一种融合局部特征与深度置信网络（DBN）的人脸面部表情识别算法。首先提取出人脸面部表情图像中的局部敏感质量分布图（LSH）非均匀光照不变特征;其次通过双编码局部二值模式（DCLBP）提取出人脸面部表情的边缘局部细节纹理特征;然后计算其各自特征的基本标准差来进一步确定自适应融合特征的权重值,并以此构造融合后的人脸面部表情特征;最后将部敏感质量分布图（LSH）与双编码局部二值模式（DCLBP）融合后的人脸面部表情特征进行训练深度置信网络（DBN）模型,将训练后的深度置信网络（DBN）模型进行人脸面部表情识别。在JAFFE人脸面部表情数据库和自建的维吾尔族人脸面部表情数据库中识别实验表明,该算法比其他4中算法的对比中其识别率分别至少提高了4.3%和5.22%,具有很好的鲁棒性和有效性。     

基于深度学习的可靠表情数据识别

当前深度学习已成为表情识别领域的重要研究方法，但此方法应用于真实环境或者复合表情数据库下时识别准确率非常低下，为此提出一种深度局部关联神经网络DLR-VGGNet(Deep Locality-Relevance VGGNet)的可靠表情数据识别方法，首先在VGGNet网络添加一个新的监督层，即局部关联损失(LRloss)，提高深层特征的判别能力，之后在不同的人脸表情数据库中基于这种 DLR-VGGNet网络进行训练并且进行网络参数微调和测试。最后，RAF-DB数据库中对 7类基本表情和11类复合表情做基准实验以及在SFEW和CK+数据库中做对比实验。实验结果表明在真实环境基于DLR-VGGNet的方法优于传统的手工特征提取方法。     

基于特征提取和胶囊网络的人脸表情识别

人脸表情识别是近年来非常火热的一个研究领域,随着深度学习的发展,越来越多的深度学习方法用于表情识别中。针对胶囊神经网络(CapsNet)更关注的是图像高层空间信息、低层空间特征提取不全面的问题,提出了特征提取与胶囊网络结合的人脸表情识别算法。本文先使用局部二值模式(LBP)算子提取图像纹理特征,与胶囊网络结合形成多通道输入胶囊网络。为了进一步加强低层空间特征提取,在提取纹理特征后加入了深度残差网络(ResNet),与胶囊网络结合形成多通道输入增强胶囊网络。为了验证多通道输入胶囊网络和多通道输入增强胶囊网络的性能,本文在公开表情数据集CK+和RAF-DB分别进行了对照实验,得到了99.69%,82.02%准确率,优于其它的表情识别算法。     

融合局部语义与全局信息的人脸表情识别

人脸表情识别在人机交互等人工智能领域发挥着 重要作用,当前研究忽略了人脸的语 义信息。本 文提出了一种融合局部语义与全局信息的人脸表情识别网络,由两个分支组成:局部语义区 域提取分支 和局部-全局特征融合分支。首先利用人脸解析数据集训练语义分割网络得到人脸语义解析 ,通过迁移训 练的方法得到人脸表情数据集的语义解析。在语义解析中获取对表情识别有意义的区域及其 语义特征, 并将局部语义特征与全局特征融合,构造语义局部特征。最后,融合语义局部特征与全局特 征构成人脸 表情的全局语义复合特征,并通过分类器分为7种基础表情之一。本文同时提出了解冻部分 层训练策略, 该训练策略使语义特征更适用于表情识别,减 少语义信息冗余性。在两个公开数据集JAFFE 和KDEF上 的平均识别准确率分别达到了93.81%和88.78% ,表现优于目前的深度学习方法和传统方法。实验结果证 明了本文提出的融合局部语义和全局信息的网络能够很好地描述表情信息。     

基于深度学习的室内视觉位置识别技术

视觉位置识别技术通过将地点图像与数据库中的图像集进行匹配,根据配对图像标签中的位置信息得到定位结果。现有的视觉位置识别网络都是为了应对室外场景而构建和训练的,在室内场景中的识别性能较差。文中提出了一种基于深度学习的室内视觉位置识别卷积神经网络架构,并在室内场景识别数据集上对网络进行了训练,然后在本地室内数据集上对网络参数进行进一步的微调,较好地解决了室内环境中的位置识别问题。和现有的其它视觉位置识别网络相比,文中训练的网络在实际室内环境测试中最大有30%的识别精度提升。     

基于VGG的人脸表情识别与分类

为了使人脸表情识别更加快速、准确,以满足复杂社会情境中的需求,本文研究了基于深度卷积神经网络的人脸表情识别方法,实现了人脸不同离散表情识别分类.针对现有数据集数据量不足、深度网络计算易出现过拟合现象等问题,本文基于人脸图片关键点进行了剪裁,获得64个子区域,将数据扩充为64倍,以达到数据增强的目的;使用基于VGG-19网络模型的卷积神经网络,对动作单元进行分类与强度计算,使用Sigmoid函数,使网络具备多标签多分类能力,并在VGG-19网络的第四组卷积层之后加入一个加权处理层,提高准确率.结果显示,增强后叠加的人脸表情识别与分类基本能够完成,而引入加权处理层后的准确率则得到了显著提高.     

基于Grassmann流形几何深度网络的图像集识别方法

近年来,深度学习以其强大的非线性计算能力在目标检测和识别任务中取得了巨大的突破。现有的深度学习网络几乎都是以数据的欧氏结构为前提,而在计算机视觉中许多数据都具有严格的流形结构,如图像集可表示为Grassmann流形。基于数据的流形几何结构来设计深度学习网络,将微分几何理论与深度学习理论相结合,提出一种基于Grassmann流形的深度图像集识别网络。同时在模型训练过程中,使用基于矩阵链式法则的反向传播算法来更新模型,并将权值的优化过程转换为Grassmann流形上的黎曼优化问题。实验结果表明:该方法不仅在结果上识别准确率得到了提高,同时在训练和测试速度上也有一个数量级的提升。     

基于深度栈式自编码网络的面部年龄识别

随着计算机技术与网络信息技术的发展,利用人体生物特征来获取相关信息已成为安全验证的重要方式。人脸作为人体最重要的生物特征之一,一直备受研究者重视。主要针对基于深度学习的人脸年龄估计问题进行研究。基于栈式自编码网络的深度学习模型,将其运用到面部年龄识别问题上,并通过编程实现了基于该深度模型的面部年龄识别系统。     

结合级联框架与注意力机制的人脸表情识别

针对人脸表情变化细微易受到非表情区域影响、传统神经网络提取难以提取有效特征等问题，提出了一种结合级联框架与注意力机制的人脸表情识别方法。首先，通过级联框架模型排除人脸图像的多余干扰；其次在深度有效网络中引入注意力机制从通道和空间维度上进行注意权重推断，以增强表情特征的表达能力，抑制冗余信息的影响；最后采用Focal loss损失函数进一步减弱数据集分布不均衡带来的影响。实验结果表明，该方法在公开数据集FER2013、JAFFE上分别取得了72.42%和95.71%的识别准确率，与其他算法相比具有一定先进性与优越性。     

面向人脸表情识别的迁移卷积神经网络研究

人脸表情识别是模式识别研究的一个重要领域,现实环境中人脸表情识别容易受到光照、姿态、个体表情差异等因素的影响,识别效果仍有待提高。为了取得更好的人脸表情识别效果,本文提出一种基于迁移卷积神经网络的人脸表情识别方法,本文在训练得到人脸识别网络模型的基础上,采用迁移学习方法将所得人脸识别模型迁移到人脸表情识别任务上,并提出Softmax-MSE损失函数和双激活层(Double Activate Layer, DAL)结构,以提高模型的识别能力。在FER2013数据库和SFEW2.0数据库上的实验表明,本文所提方法分别取得了61.59%和47.23%的主流识别效果。      

基于GAN网络的面部表情识别

本文为了解决姿态不变的面部表情识别即在任意姿态下的面部表情识别问题,提出了一种端到端的深度学习模型,该模型利用不同的姿态和表情进行面部图像合成扩充训练集,提高了模型的准确度,并有效地解决了姿态不变的面部表情识别问题。本文将介绍表情识别的主要过程以及模型中使用到的生成对抗网络(GAN)。     

人脸表情识别技术研究综述

人脸表情识别技术是一个广泛的研究方向,涉及机器学习、图像处理、心理学等诸多领域,应用前景也相当广阔。近年来,随着人工智能等领域的发展和进步,属于情感计算领域的人脸表情识别技术也逐渐成为一个热门的研究方向。人脸表情识别任务一般由获取人脸图像、图像预处理、特征提取、特征分类4部分组成,人脸表情图像一般直接采用相关的数据集获取。首先介绍了人脸表情识别任务中需要进行的图像预处理步骤,以及特征提取和特征分类中的传统研究方法和深度学习方法,最后对人脸表情识别相关的数据集、发展趋势与挑战等进行阐述,并提出对未来的相关研究方法的看法。     

基于迁移学习的人脸种群识别技术研究

自动提取人脸特征来验证人的身份目前已经被广泛的应用在各种领域,但是通过人脸特征来辨别种群大多还是停留在人工提取特征的阶段,耗费大量人力资源,或者使用深度学习,但是需要经过大量的计算消耗大量的时间。文中提出了一种利用迁移学习的方法,通过微调网络以及冻结参数相结合的训练方式提高了原预训练网络对于人脸种群识别的泛化性与稳定性;同时对模型进行了改进以提高识别的时效性,提高了网络识别速度的同时大大减少了网络的参数。经自建的人脸数据集训练测试,取得了良好的检测性能。     

基于SWA优化级联网络的表情识别方法

为了提高表情识别技术的检测精度,文中提出了一种采用随机权重平均SWA优化级联网络的人脸表情识别方法。与单个卷积网络相比,多网络级联能得到更好的检测精度。相对于传统的SGD训练方法,SWA训练方法能增强级联网络中子网络的泛化能力,进一步提高模型的整体性能。通过在Fer2013数据集上测试实验发现,基于SWA方法训练采用加权求和法方式级联的网络模型识别准确率达到74.478%,相对于传统SGD方法训练的单网络模型提高了1.4%以上。另外,与其他典型方法相比,所提改进模型的识别准确率更高。