疲劳表情识别的研究与仿真

研究疲劳状态的表情识别问题.针对当人体处在疲惫状态与常规表情中的人脸面部特征变化不是很明显,在普通状态下的面部表情差别不大.传统的表情识别算法很难准确高效的识别.为提高识别率,提出了关联面部特征的表情识别方法.首先对人脸主要图像进行特征检测,然后建立特征集,根据特征向量之间的变化将细节特征向量进行有效联系,克服传统方法的弊端,根据微小的关联变化完成表情识别.实验结果表明,方法的能够对面部特征细微变化下的人脸图像进行有效的疲惫表情识别,提高了识别的准确度.     

小样本条件下基于随机森林和Haar特征的多姿态人脸识别

针对小样本环境下存在人脸姿态、表情变化等干扰时的人脸识别问题,提出利用基于Haar特征的随机森林分类器完成对注册样本和待识别人脸图像的关键点自适应定位,再以SURF(Speed-Up Robust Features)特征的欧氏距离决策得出初匹配和再匹配关键点,完成人脸识别,解决在小样本环境下识别多姿态人脸图像的问题。实验结果证明,该方法在表情、姿态变化等干扰情况下能有效提高小样本人脸识别的识别率。     

基于立体视觉的三维人脸识别

1.引言 近年来生物特征在安全领域的应用越来越受到重视,人脸识别即为其中一个重要分支.迄今为止,人们已经提出了多种人脸识别的算法[1,2],大多数算法是针对二维图像设计的,具有识别速度快、方法直观的特点.存在的问题是很难克服光照、背景及表情等因素的干扰.本文尝试通过人脸的三维数据匹配进行人脸识别,以提高识别的可靠性.由于实验设备、速度及特征提取等多方面因素的影响,关于人脸三维识别的研究工作相对较少.Gordon[3]利用人脸深度图计算出人脸表面曲线的曲率分布并进行分析,得到人脸各个器官的位置及相关几何特征;Beumier和Acheroy[4]通过对人脸投影结构光提取人脸的三维信息,将人脸侧面轮廓曲线与人脸中线附近区域的灰度分布相结合作为识别特征.我们利用人脸的三维稠密数据同人脸三维模型进行匹配来实现人脸的识别,取得了满意的效果.     

二维Gabor特征与三维NP-3DHOG特征融合的人脸识别算法

基于二维图像的人脸识别算法提取人脸纹理特征进行识别,但是光照、表情、人脸姿态等会对其产生不利影响。三维人脸特征能更精确地描述人脸的几何结构,并且不易受化妆和光照的影响,但只采用三维人脸数据进行人脸识别又缺少人脸纹理信息,因此文中将二维人脸特征与三维人脸特征相融合进行人脸识别。采用基于Gabor变换的二维特征与基于新的分块策略的三维梯度直方图特征相融合的算法进行人脸识别。首先,提取二维人脸的Gabor特征;然后,提取三维人脸基于新的分块策略的三维梯度直方图特征,旨在提取人脸的可辨别性特征;接下来,对二维人脸特征与三维人脸特征分别使用线性判别分析子空间算法进行训练,并使用加法原则融合两种特征的相似度矩阵;最后,输出识别结果。     

基于改进的轮廓线算法的三维人脸识别方法

针对二维人脸识别中受表情、姿态以及光照等因素而影响识别率的问题,在分析人脸生理结构的基础上,提出了一种基于改进的轮廓线的三维人脸识别方法,即先提取三维人脸特征点,然后提取人脸轮廓线,最后利用人脸轮廓线和特征点构成的特征模型进行三维人脸识别。试验结果证明该方法提高了人脸识别率,并具有强抗干扰能力。     

基于曲面等高线特征的不同姿态三维人脸深度图识别

三维人脸识别因能克服二维人脸识别易受光照,姿态和表情等因素影响的缺点,从而日益受到关注和重视.文中针对三维人脸实时成像系统所获得的不同姿态下的三维人脸深度图,提出一种人脸识别方法(FDAC).首先利用微分几何相关理论来指导三维深度人脸深度图的校正,再根据曲面等高线来描述人脸的面部特征并使用傅里叶描绘子实现特征提取,最后利用提取的等高线特征进行人脸分类识别.实验结果表明,FDAC方法对于不同姿态下的三维人脸图像有较好的识别率,并且在时间开销方面优于常规的特征脸识别方法.     

有限元法在人脸三维建模及表情动画中的应用研究

将机械工程中的有限元方法用于人脸的三维建模,利用人脸上提取的99个特征点和一些辅助点,用光滑的样条曲线模拟人脸表情肌分布位置连结成线,由线生成三角面片和四角面片组合的有限元建立的人脸几何模型.给该模型定义合适的单元类型、实常数等参数,定义能与人脸皮肤等效的材料属性,并在眼睛、嘴等动作敏感位置加一定量载荷求解,模拟人脸表情动作.从求解的应力图中可以看出,该几何模型变形均与人脸表情动作时皮肤弹性变形一致.该方法可以快速、准确的进行三维人脸参数化建模,可方便提取特征点进行人脸识别.这种建模方法为人脸三维建模提供了一种新的思路和可靠的理论依据,同时降低了后期人脸识别的难度.     

基于深度学习的三维实时人脸识别技术研究

目前,虽然深度学习算法通过二维卷积能够获得二维图像,并且形成的二维图像可为人脸识别提供支持,但在实际场景之中,在人脸表情、姿态等方面的识别比较困难,而三维实时人脸识别技术则能够弥补这一缺陷。但由于人脸的姿态和表情随时可能出现变化,会导致三维人脸信息缺乏完整度,同时也会造成人脸区域发生变形等问题,因此,本文基于深度学习,对三维实时人脸识别技术进行研究,以持续解决当前人脸识别方面存在的问题。     

一种有效的三维人脸恒定识别特征构造方法*

为消除表情变化对人脸识别结果的影响,构造相对恒定的人脸识别特征,提出了一种恒定特征构造方法：在人脸曲面上分割出基本不受表情变化影响的区域;对该区域原始数据进行统一规格的二次采样,保证数据精度的一致性;分析特征区域的数据,得到原始特征向量;变换、组合特征向量,构造此区域的恒定特征向量;将此特征用于人脸的分类识别,以克服表情变化的影响。通过在实际三维人脸数据库上的实验,验证了该方法的有效性。     

刚性区域特征点的3维人脸识别

目的 针对3维人脸识别中存在表情变化的问题,提出了一种基于刚性区域特征点的3维人脸识别方法。方法 该方法首先在人脸纹理图像上提取人脸图像的特征点,并删除非刚性区域内的特征点,然后根据采样点的序号,在人脸空间几何信息上得到人脸图像特征点的3维几何信息,并建立以特征点为中心的刚性区域内的子区域,最后以子区域为局部特征进行人脸识别测试,得到不同子区域对人脸识别的贡献,并以此作为依据对人脸识别的结果进行加权统计。结果 在FRGC v2.0的3维人脸数据库上进行实验测试,该方法的识别准确率为98.5%,当错误接受率（FAR）为0.001时的验证率为99.2%,结果表明,该方法对非中性表情下的3维人脸识别具有很好的准确性。结论 该方法可以有效克服表情变化对3维人脸识别的影响,同时对3维数据中存在的空洞和尖锐噪声等因素具有较好的鲁棒性,对提高3维人脸识别性能具有重要意义。