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。     

基于面部表情识别的学习疲劳识别和干预方法

针对网络学习者经常出现的身体或心理上的疲劳或疲惫情绪状态即学习疲劳状态,提出了一种基于面部表情识别的学习疲劳识别和干预方法.考虑到网络学习的特点,定义了专注、疲劳和中性3种与学习相关的表情,利用一种基于肤色分割和模版匹配相结合的人脸检测算法检测出网络学习者的人脸区域,然后根据建立的人脸表情面部模型对学习者的面部特征进行提取,主要包括眼睛特征和嘴巴特征,最后采用基于规则的表情分类方法,识别出学习者是否处于学习疲劳状态,并采取相应的情感干预措施.实验结果表明,该方法能够快速识别网络学习者是否处于学习疲劳状态,实现实时学习疲劳干预.     

人脸面部混合表情识别系统

根据心理学家对表情的研究和前人的工作成果,在对动态表情图像序列的时序分析的基础上,提出了对混合表情的识别系统,把脸部分成各个表情特征区域,分别提取其运动特征,按时序组成特征序列,通过分析不同特征区域所包含的不同表情信息的含谘和表情的含量,识别时 序长度的、复杂的混合表情图像序列。     

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.     

Maya软件中面部表情动画控制器的设计与实现

以Maya软件中面部表情动画的创作要求与制作方式为前提,围绕面部表情动画控制器的设计与实现,重点分析动画控制器的分类、设计和实现,介绍动画控制器的设计思路与技术要点。     

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。     

基于关键点指引的面部表情识别

面部表情是一种最自然、最有力、最直接地传递人类情感状态以及意图的方式,机器对于面部表情的识别在人机交互和数据驱动动画等存在广泛应用。为了应对真实世界中遮挡、光照、姿态等复杂变化的挑战,论文提出一种基于关键点指引的面部表情识别网络（LGFER-T）,整个网络由LGFER以及Transformer两部分构成。LGFER依据面部关键点的指引,使用可变形卷积针对性的提取静态图片空间特征,然后使用Transformer进一步关联时序特征,最后进行表情的识别分类。论文分别在面部表情静态图片数据集SFEW以及视频数据集AFEW上验证方法的有效性。大量的实验表明,单纯使用关键点指引的空间特征提取网络LGFER在SFEW数据集上面部表情识别准确率达到59.17%。通过与Transformer的结合,LGFER-T在视频数据集AFEW上准确率达到了51.96%。论文提出的方法在静态图片以及视频数据集上都处于领先水平。     

3D人物面部表情研究

关于人物表情设计对2D动画的重要性，上期我们已经充分论述了，在给人物加上动作或表情的时候，如果不理解其处于何种状况、何种感情。动画师的创作和动画本身会很容易走样。     

基于改进LBP的人脸表情识别方法

针对传统LBP方法在人脸表情特征提取时相对单一与固定,提出一种LBP的扩展形式,即εLBP。通过￡的灵活取值,ε-LBP特征提取也更加灵活,总可以找到更适合于特定分类问题的子空间．而且ε-LBP妒对于噪声和光照变化相对于LBP更加鲁棒。使用MatLab语言将上述算法应用于人脸表情识别．取得较好的识别效果。     

基于改进LBP的人脸表情识别方法

针对传统LBP方法在人脸表情特征提取时相对单一与固定,提出一种LBP的扩展形式,即ε-LBP。通过ε的灵活取值,ε-LBP特征提取也更加灵活,总可以找到更适合于特定分类问题的子空间,而且ε-LBP对于噪声和光照变化相对于LBP更加鲁棒。使用MatLab语言将上述算法应用于人脸表情识别,取得较好的识别效果。     

基于Gabor和ADABOOST的面部表情识别

多尺度图像的Gabor表示在计算机视觉领域有着广泛的应用,本文探讨了面部表情图像的Gabor表示方法,为了减少特征矢量的维数,本文对Gabor小波系数进行了下采样处理和并采用PCA二次降维。最后利用Adaboost方法对面部表情进行识别,通过实验表明该方法对已知人脸的表情识别率达到95%以上,对未知人脸的表情识别率达72%,识别效果比较好。     

基于表情加权距离SLLE的人脸表情识别

局部线性嵌入(LLE)算法没有考虑训练样本的类别信息,而有监督LLE(SLLE)算法等同处理类别之间的差异性。根据人脸表情的特点,各个表情类别之间的差异性是有区别的,据此,文中构造一种基于表情加权距离的SLLE算法。在计算训练样本之间距离时,对来自不同表情类别的样本距离选择不同的加权值,从而使表情类别的先验信息得到更充分利用。在JAFFE库上进行人脸表情识别实验结果表明,相比LLE算法和SLLE算法,该算法在一定邻域范围内获得更好的人脸表情识别率,是一种有效算法。     

基于LBP/VAR与DBN模型的人脸表情识别*

针对现有表情识别研究中均采用有监督模型实现特征提取,提出一种新的基于DBN（Deep Belief Net）模型无监督的表情特征提取与识别方法。首先对人脸表情图片提取对光照与旋转具有鲁棒性的LBP/VAR初次特征,再通过DBN网络对初次特征来实现人脸表情的二次特征提取与分类学习。对DBN参数本文采用动态搜索的方法,即在一个大范围内搜索确定RBM Mini-batch 、BP Mini-batch与RBM隐层数量的最优值,再确定DBN深度与迭代次数最佳值。在CK 数据库上与传统k-NN、SVM有监督分类模型进行的对比实验表明,本文提出的方法在识别率上分别提高了19.34%和14.22%。     

基于局部特征聚类损失和多类特征融合的面部表情识别

在真实世界中,每个个体对表情的表现方式不同.基于上述事实,文中提出局部特征聚类(LFA)损失函数,能够在深度神经网络的训练过程中减小相同类图像之间的差异,扩大不同类图像之间的差异,从而削弱表情的多态性对深度学习方式提取特征的影响.同时,具有丰富表情的局部区域可以更好地表现面部表情特征,所以提出融入LFA损失函数的深度学习网络框架,提取的面部图像的局部特征用于面部表情识别.实验结果表明文中方法在真实世界的RAF数据集及实验室条件下的CK+数据集上的有效性.     

2DFLD与LPP相结合的人脸和表情识别方法

提出一种二维Fisher线性判别分析(2DFLD)与局部保持投影(LPP)相结合的人脸和表情识别方法.首先,将训练集图像用2DFLD投影,使其按身份分离.然后,用LPP进行二次投影提取出它的表情流形.最后,给出概率度量,得到待测图像属于各类身份和表情的概率,从而识别出它的人脸和表情的类别.在CMU-AMP和JAFFE人脸库上的实验表明,该方法简便有效、识别效果好.     

人脸自动识别方法综述

简要回顾了人脸自动识别技术的研究背景及发展历程；重点对近年来人脸自动识别方法的研究进展进行综述，并对各种方法加以评价；总结了现在存在的研究困难并提出了解决方法及今后的发展方向。     

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。