基于隐马尔可夫模型的人脸特征标注和识别

传统的基于隐马尔可夫模型的人脸识别方法需要对原始人脸图像进行光照补偿、人脸旋转等预处理,而且模型对人脸姿势、表情、局部特征变化等非常敏感.为解决此问题,提出一种基于高斯隐马尔可夫模型的人脸特征标注方法,该方法假定人脸图像中人脸和人脸特征两个区域的灰度值服从两个不同的高斯分布,并将这两个分布作为隐马尔可夫模型的状态集合.同时,将灰度人脸图像转换为一维的灰度值序列作为观测序列,通过模型预测状态序列以实现人脸特征的标注和定位,并基于该模型建立人脸数据库,对未知人脸进行识别.在ORL人脸库和自建人脸库的测试中,均取得较高的标注准确率和识别准确率.     

基于LBP层次特征的表情识别算法

提出了一种基于LBP层次特征提取的表情识别算法.将图像分成许多子块,并从子块中提取面部运动单元信息来组成基于面部运动单元的表情成分特征,对人脸图像的眼睛和口部作粗定位.采用局部二值模式(LBP)的层次特征提取法,对图像进行分块操作,求出每个子块的LBP直方图,然后将基于整体特征得到的LBP直方图与基于局部特征得到的LBP直方图连接起来,作为整幅图像的LBP直方图.将层次特征提取法所提取的LBP直方图作为嵌入式隐马尔可夫模型(EHMM)的初始向量,即形成观察序列.对JAFFE人脸库中的7种基本表情进行了测试,结果表明该方法能有效提高表情识别率.     

后验概率图与补白模型二次融合的关键词识别

使用全连接神经网络结合Softmax分类器对汉语的408个音节建立音节分类器,利用等长处理后的特征向量训练Softmax分类器,将Softmax分类器输出概率作为后验概率图,与隐马尔科夫补白模型（HMM/Filler）进行第一次融合,得到子后验概率图隐马尔科夫模型（Posteriorgram-HMM）. 针对关键词训练样本较少的问题,将标注样本进行强制切分,得到HMM每个状态上的训练数据. 将隐马尔科夫最大后验概率基线模型（HMM-MAP）与Posteriorgram-HMM进行第二次融合,提出最大后验概率图隐马尔科夫模型（Posteriorgram-HMM-MAP）. 在数据集上训练模型后,使用测试数据对其进行测试. 结果表明：Posteriorgram-HMM-MAP的综合识别率相比Posteriorgram-HMM提升了3.55%,相比HMM/Filler提升了10.29%.     

基于Self-adjust网络模型的人脸图像情感分析方法

人脸表情具有丰富的情感内涵,是情感分析的一个重要研究方向.模糊的面部表情及标注者的主观性所带来的不确定性,给情感分析研究带来了挑战.鉴于此,提出了一种基于Self-adjust网络模型的人脸图像情感分析方法.首先用人脸对齐方法进行图像预处理,然后利用注意力机制来处理Focal损失加权,再对其进行秩正则化排序,最后通过重...     

表情数据驱动三维人脸模型方法

提出了一种利用面部表情数据驱动三维人脸模型中骨骼特征点运动的方法.首先,利用面部表情捕捉设备对面部特征点进行采集,并使用XML格式对面部表情捕捉数据进行描述;然后将采集到的面部特征点与人脸模型中骨骼特征点进行映射配对;最后,使用面向对象图形渲染引擎演示面部表情,从而实现使用面部表情数据驱动三维人脸模型.方法验证实验的过程和结果表明了提出方法的有效性.     

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.     

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.     

一种基于改进的卷积神经网络的人脸表情识别方法

针对人脸表情识别的准确率较低、鲁棒性较差的问题,本文提出一种加深层数的卷积神经网络,将卷积神经网络LeNet的2层卷积、2层池化、一层全连接分别修改为4层卷积、4层池化、2层全连接.首先对人脸表情图像进行关键点定位、人脸裁剪、图像归一化等预处理,然后利用卷积层提取人脸图像的低维度和高维度的特征信息,池化层对提取的人脸特征信息进行降维处理.最后采用softmax分类器对训练样本图像的表情进行分类识别.为了提高表情识别的准确率,在表情训练集中加入了自制的标注图片集.仿真对比实验表明改进的模型精度更高、损失曲线更平滑,验证了改进网络的有效性.     

基于小波变换及加权主元分析的人脸表情识别

为了更准确地识别人脸的表情信息,采用加权主元分析识别人脸表情.首先通过小波变换进行图像分解来抽取面部区域的有效鉴别特征,然后将特征加权和主元分析相结合,根据加权重建误差最小化,计算出各类训练样本的加权子空间,最后计算测试样本到加权子空间的Mahalanobis距离,并根据距离进行分类识别.通过CMU人脸表情数据库试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.     

面向面部表情识别的双通道卷积神经网络

面部表情识别是机器感知人类情绪变化的重要途径,但表情识别受不同个体及情绪强弱差异影响较大,难以手动设计准确的特征.提出一种基于双通道卷积神经网络的面部表情识别方法,首先对采集得到的人脸图像进行预处理以限制分析范围,同时分析人脸灰度图像与对应的LBP图像以兼顾全局与细节特征;针对双通道输入数据,利用不同参数的卷积神经网络自动提取面部特征,通过加权融合分类网络进行特征融合,并利用softmax分类不同表情.实验结果表明,该算法能够以较高的准确率识别6种基本面部表情(高兴、悲伤、愤怒、沮丧、恐惧及惊讶).该方法性能优于基于手动设计特征的面部表情识别方法及单通道CNN方法,相比于其他双通道CNN方法,能通过更简单的处理得到近似的识别结果.     

改进的隐马尔可夫表情识别模型参数优化算法

人脸表情识别是人工智能领域中极富挑战性的课题,针对表情识别中存在的识别率低与计算量大的问题,提出了一种新的改进的隐马尔可夫表情识别模型参数优化的算法.先采用新的初始参数优化模型,然后利用Baum-Welch算法进行重估计,从而建立新的HMM人脸表情模型.实验结果表明,新模型明显提高了人脸表情的识别率并降低了计算量.     

Kappa加权的子空间融合表情识别方法

为提高面部表情识别效果,提出基于Kappa计算面部表情图像子区域对表情的贡献程度,并线性加权子空间预测结果.将标准化后的人脸表情图像上下平均分割成2个子区域,确定上半脸和下半脸及全脸3个表情子空间,采用Gabor小波特征,分别利用SMO、MLP和KNN三种分类器,统计并计算基于Kappa的子空间表情信息.在Cohn-Kanade和JAFFE两个表情图像库进行测试,实验结果表明:基于Kappa加权融合的表情识别方法识别率更高.     

基于发育网络的人脸朝向识别研究

针对人脸识别中人脸的朝向、位置以及背景光线不固定的特点,提出了一种基于发育网络的人脸朝向识别新方法.对图像进行处理后发现人眼的特征非常突出,故选择眼睛的位置作为人脸朝向的特征向量,利用发育网络模型对不同背景光线图像中人脸的朝向进行识别.通过和其它方法的测试结果对比,该方法可以有效地解决不同光照条件下人脸朝向识别问题,并具有快速、稳定、高效的特点,且识别率高达100%.     

基于人工智能技术的人脸图像局部细节信息识别研究

为了提高人脸图像局部细节信息识别能力,提出基于人工智能技术的人脸图像局部细节信息识别方法.提取不同表情下的人脸图像,结合多区域融合聚类分析方法进行不同表情下的人脸动态特征提取,建立人脸图像的边缘轮廓特征检测模型;采用相似度特征分析方法进行不同表情下人脸图像的鲁棒性重构;提取不同表情下人脸图像的模糊度辨识特征信息,通过多...     

一种疲劳驾驶检测方法

使用YOLOv3-tiny卷积神经网络进行驾驶环境识别,利用dlib人脸检测算法进行检测,实现人脸特征点的精确提取.采用眼特征向量(EFV)和口特征向量(M FV)作为驾驶员眼状态和口态的评价参数.通过离线训练构建驾驶员身份信息库模型,使用相应算法进行判定,完成疲劳驾驶检测.     

用隐马尔可夫模型设计人脸表情识别系统

根据隐马尔可夫模型(HMM)的基本理论和算法设计了一个人脸表情识别系统。该系统由两层HMM组成:低层由六个HMM组成,分别对应六种特定表情。人脸表情特征向量进入系统后,经过低层HMM初步识别,其结果组成高层HMM的观察向量,经过高层HMM解码,确认出表情,从而提高了系统的识别率,增强了系统的健壮性。     

基于图像差值的人脸识别法研究

针对表情正常的正面人脸图像，提出了一种基于图像差值的识别算法。这种算法属于几何特征识别法，其优势在于不需要提取高维的人脸特征向量，计算相对简单。经测试表明，该算法具有较好的识别效果。     

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。     

基于数据融合的表情识别

本文为了解决表情识别中单一数据所包含人脸表情信息不全面的问题,融合了图像与标记点数据;针对传统模式识别方法中手动提取特征的复杂性,采用了神经网络框架,从而实现特征的自动提取。本文算法以人脸表情的图像与标记点数据为基础,以神经网络为框架,采用稀疏自动编码器对网络进行预训练,实现了网络的稀疏连接,另外,在网络权值更新过程中结合了结构化正则项（Structured Regularization）,限制了不同数据与隐层神经元的连接。实验表明：图像与标记点数据的融合更全面地表达了人脸表情信息;稀疏自动编码器和结构化正则项的运用能更有效的提取关键特征并使神经网络自动分析不同输入数据在表情识别中所起到的作用强弱。     

基于数据融合的表情识别

为了解决表情识别中单一数据所包含人脸表情信息不全面的问题,融合了图像与标记点数据;针对传统模式识别方法中手动提取特征的复杂性,采用神经网络框架,从而实现了特征的自动提取。本文算法以人脸表情的图像与标记点数据为基础,以神经网络为框架,采用稀疏自动编码器对网络进行预训练,实现了网络的稀疏连接,另外,在网络权值更新过程中结合了结构化正则项(structured regularization),限制了不同数据与隐层神经元的连接。实验表明:图像与标记点数据的融合更全面地表达了人脸表情信息;稀疏自动编码器和结构化正则项的运用能更有效地提取关键特征,并使神经网络自动分析不同输入数据在表情识别中所起到的作用强弱。