人脸表情识别综述

人类面部表情在安全驾驶、智能监护、人机交互领域都有着广泛应用。随着机器学习的兴起和发展,表情识别也逐渐从传统方法向深度学习过渡。简要地概述了表情识别的研究意义、技术、常见的表情数据库、研究方法,提出了表情识别目前存在的不足并对未来研究方向作出了展望。     

基于CNN集成的面部表情识别

针对面部表情识别在许多领域的重要应用,本文提出了一种基于卷积神经网络(convolutional neural network,CNN)集成的面部表情识别(facial expression recognition,FER)方法。采用3种网络结构不同的卷积神经网络进行训练,利用这些深层模型,使用基于验证准确性的多数投票、简单平均和加权平均的集合方法,在CK+数据集和FER-2013数据集上分别测试单一网络模型和集合网络模型。测试结果表明,单一模型的最佳识别率分别为98.99%和66.45%,集合网络的最佳识别率分别达到99.33%和67.98%,说明使用集合方法的模型比单一模型表现更佳,其中加权平均的集合方法优于简单平均和多数投票,说明本文所提出的方法能够满足面部表情识别的要求。该研究具有一定的实际应用价值。     

双通道卷积神经网络人脸表情识别

将卷积神经网络的单通道全连接层改为双通道,构建并训练了一个新的双通道卷积神经网络模型以增强模型的特征表达能力。在全连接层用Maxout激活函数代替传统的ReLU激活函数以优化网络内部结构。在网络训练过程中,采用A-Softmax损失,使卷积神经网络能够学习角度判别特征。改进后的卷积神经网络模型在FER2013数据集上准确率为73.6%。     

人脸表情识别技术研究概述

人脸表情识别是人机交互中十分复杂和重要的课题。本文叙述了人脸表情的分类、表情的产生原因,并根据人脸表情面部特点进行了分类,重点讲述了人脸表情识别研究内容,提出了人脸表情识别中需要解决的问题。     

一种识别表情序列的卷积神经网络

传统的人脸表情识别方法需要人为指定特征训练方向,卷积神经网络方法虽然可以自动训练分类特征,但是存在无法识别表情序列的弊端．针对此问题,运用一种多网络融合技术,使构建的网络能够对表情序列进行识别．网络构建方法为:首先构建多个卷积神经网络,使每个网络处理一帧图片;然后将处理结果在融合层进行融合;最后通过一个分类器输出识别结果．在CK+人脸表情数据库上,分别对3帧、4帧和5帧表情序列进行实验,均获得了较高的识别率．     

基于分块2DPCA的人脸表情识别

本文使用了分块二维主成份分析法（分块2DPCA）和模糊积分分类器进行了人脸表情识别与融合。由于分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其突出的优点是提高了特征提取的速度,在特征提取时可以完全避免使用矩阵的奇异值分解,方法简便。与2DPCA相比,可以实现使用低维的鉴别特征,而保持较高的正确识别率的目的。     

基于改进的Gabor和ADABOOST的人脸表情识别

介绍了受到不同程度形变和光照影响的人脸,如何提高表情图像识别效率和识别准确率的方法。采用Log_Gabor小波变换方法对输入图像进行滤波处理,并采用AdaBoost方法对人脸表情进行识别处理的方法。实验表明人脸表情在形变和光照影响的情况下,对人脸表情识别准确率依然达到良好的效果,且提高了计算速度。     

情绪识别研究述评

情绪作为人类心理活动的重要组成部分,在组织和指导人们的行为、交流与预测他人意愿方面,都起着举足重轻的作用。由于生理变化、表情变化和声音的变化等因素,使人们表达出自己的情绪时产生对应信号,并且引起他人推断,这一过程就是情绪的识别过程。情绪识别研究作为心理学和认知科学领域的重要分支,已经越来越受到很多学者的重视。通过大量文献分析,探讨了情绪的定义与分类,情绪识别的定义、研究现状以及当前研究下存在的不足,并对情绪识别研究的未来方向及其应用价值进行了展望,这将给情绪心理学的研究领域提供一定的参考价值。     

基于三维特征点模型的人脸表情识别算法

提出了一种基于三维特征点模型匹配的人脸表情识别算法.首先,以混合树结构建模不同姿态脸部特征组合,实现特征点定位,并建立脸部三维几何特征模型;然后,基于广义普鲁克分析原理对特征点模型进行归一化计算,并建立具有鲁棒性的匹配特征;最后,采用支持向量机实现表情的训练和识别.通过对BU-3DFE数据库中6种脸部表情的测试,表明该算法能够达到很好的识别效果.     

基于特征融合的人脸表情识别算法研究

为了避免传统表情识别方法中复杂的特征手动提取过程,同时保证能够提取到更多的表情特征,文中提出一种融合卷积神经网络(Convolutional Neural Network,CNN)、方向梯度直方图(Histogram of Oriented Gradient,HOG)以及人脸关键点定位(facial landmark detection)的人脸表情识别方法.该方法首先通过在图像预处理中使用多任务卷积神经网络(Multi-task convolutional neural network,MTCNN)对不同尺度输入图像进行人脸检测并得到人脸的关键点位置信息(facial landmark).然后根据facial landmark的位置信息计算出人脸表情图像的几何结构特征,并且计算人脸表情图像局部区域的方向梯度直方图来构成HOG特征,采用特征融合的方式将facial landmark和HOG特征做进一步的融合形成新的特征向量LM_HOG.最后将融合后的特征与经过CNN提取的全局特征再次融合输入到支持向量机(Support Vector Machine,SVM)和Softmax中进行表情识别.在FER2013和Extended Cohn-Kanade(CK+)人脸表情库上的实验结果表明,将融合得到的LM_HOG特征作为局部特征,用以描述图像的局部性差异,CNN提取的特征作为全局特征,用以描述人脸表情图像的整体性差异,融合后的特征能更好的提取图像细节特征,平均识别率分别达到了75.14％和97.86％,具有优越的性能.     

小波变换在人脸表情识别研究中的应用

本文基于人脸表情图像的特点展开分析,得出不同表情图像中人脸各五官在形貌性状方面的不同。分析了小波变换这一数学工具在变换并展示图像空间以及频域特性方面的特长,将其应用于人脸表情识别的研究工作中。调试小波变换的参数将不同参数对人脸表情图像的处理结果进行分析并得出结论。     

基于Log-Gabor变换和ADABOOST的人脸表情识别

介绍了为提高因受不同程度光照和形变影响的二维人脸表情图像的识别效率,采用了Log-Gabor小波变换方法对输入二维人脸表情图像进行滤波处理。并采用级联Adaboost方法对二维人脸表情进行识别处理。特别是对于二维人脸表情在受到一定程度形变和光照影响下对其正确识别率依然达到较好的效果,在计算速度上也有所提高。     

一种基于卷积神经网络的人脸表情自动识别方法

针对传统机器学习方法在人脸表情识别上存在特征提取繁琐、表情识别准确率不高的问题,提出一种基于深度学习的人脸表情自动识别方法.设计了一个卷积神经网络模型,以原始图像数据为输入,中间以卷积层和池化层交替作为隐层进行特征自动提取,最后将提取到的特征数据映射到全连接层,并采用Softmax函数作为分类器计算分类得分概率,实现人脸表情的自动识别分类.在公开的人脸表情数据集CK+上进行实验,结果表明本文方法能更准确地识别人脸表情.     

遮挡人脸表情图像预处理研究进展

对遮挡表情图像的传统预处理、基于重要区域的预处理、基于图像重构和基于深度学习的预处理方法进行总结,阐述了各类方法的基本原理,介绍了常用的表情数据集及其特点,讨论了现阶段存在的问题和未来的研究方向.     

基于自适应权值稀疏典型相关分析的人脸表情识别算法

为解决当变量个数较多时,典型相关分析方法不能给出一个稳定模型的问题,提出了一种基于自适应权值的稀疏典型相关分析的人脸表情识别方法.稀疏典型相关分析通过附加一个系数收敛的约束,使基向量中的某些系数收敛为0,因此,就能去掉一些对表情识别没有用处的变量.同时,由于通常的稀疏典型相关分析求解中,稀疏权值的选择是固定值,会产生一些误差,故利用自适应权值的方法来降低在求解稀疏典型向量时产生的误差.在Jaffe和Cohn-Kanade人脸表情数据库上的实验结果,进一步验证了该方法的正确性和有效性.     

基于空洞卷积块架构的命名实体识别模型

受到空洞卷积的启发提出面向二维文本嵌入的列式空洞卷积,设计空洞卷积块架构,基于此架构提出命名实体识别模型并开展进一步试验。在命名实体识别试验中,提出的模型的精密度、召回率和F₁超越了其他基线模型,分别达到了0.918 7、0.879 4和0.898 6,表明空洞卷积块架构能够获取包含更多上下文信息的文本特征,从而支持模型对上下文长距离依赖特征的捕获和处理。感受野试验表明需要适当调整空洞率以减轻空洞卷积给模型带来的“网格效应”。提出的基于空洞卷积块架构能有效执行命名实体识别任务。