结合FSVM和KNN的人脸表情识别

为了提高人脸表情的正确识别率,提出了一种组合模糊支持向量机(FSVM)和K-近邻(KNN)的人脸表情识别的新方法.该方法通过主成分分析(PCA)提取人脸表情特征,对于待分类的不同区域,根据区分程度自适应划分为不同区域类型;并结合FSVM和KNN算法的特点,对不同区域类型切换分类算法.实验表明,此方法既能保证分类的精确度,又能简化计算复杂度.     

基于活动外观模型的人脸表情分析与识别

分析了用活动外观模板(AAM)提取的人脸表情特征来进行人脸表情识别(FER)的可行性,尝试了以此特征向量为基础的FER。根据人脸图像的特点．先用特征眼的方法定位眼睛区域,再采用AAM的优化算法获取新对象的特征,缩短了AAM方法定位新对象的优化时间,提高了定位的准确度。采用秩相关分析和非度量多维标度(nMDS)等多变量统计学方法分析得出AAM方法提取的表情特征能够很好地表达表情的变化,并构造了神经网络分类器对人脸表情图像进行识别实验,得到93．5％的识别率。     

基于改进的Adaboost_SVM的人脸表情识别

针对AdaBoost算法随着学习难度的增加导致分类器的分类效率下降、稳定性变差等问题,支持向量机在小样本中有特有优势;本文结合两种算法优势,基于蚁群算法对SVM的参数进行优化,改进了Adaboost_SVM级联分类算法,首先提取haar-like矩形特征通过Adaboost分类器快速排出非人脸区域;用Gabor小波变换提取人脸表情特征,再结合Adaboost_SVM级联分类器进行人脸表情识别。通过对JAFFE表情库进行试验,表情平均识别率达到94.2%,检测速度有了很大提高。     

基于Gabor小波变换的人脸表情识别

在人脸表情识别中,针对Gabor小波变换特征维数很大的问题,提出了一种新的多方向特征编码方法。通过对Gabor特征幅值进行统计处理,将每个像素点同一尺度不同方向的Gabor特征幅值闽值化成二进制,加强了Gabor小波对图像局部结构信息的表征。同时,结合了类似旋转不变LBP的方法对图像进行降维。为了进一步提高表情的正确识别率,采用一种局部区域融合的方法,最后在JAFFE表情库上进行测试,得到比较好的识别率,验证了所提方法的有效性。     

基于Gabor小波和SVM的人脸表情识别算法

针对包含表情信息的静态图像,提出基于Gabor小波和SVM的人脸表情识别算法。根据先验知识,并使用形态学和积分投影相结合定位眉毛眼睛区域,采用模板内计算均值定位嘴巴区域,自动分割出表情子区域。对分割出的表情子区域进行Gabor小波特征提取,在利用Fisher线性判别对特征进行降维,去除冗余和相关。利用支持向量机对人脸表情进行分类。用该算法在日本表情数据库上进行测试,获得了较高的识别准确率。证明了该算法的有效性。     

基于改进的LTP人脸表情识别算法

针对人脸表情识别背景复杂导致识别率低的缺点,提出了一种中心对称三值模式(CSTP)算法,首先对人脸表情图像进行分块处理,在每一子块上提取CSTP特征,并对该子块进行CSTP特征的直方图统计,然后求出各个子块对应的信息熵,构造自适应加权系数,再分别和各个子块的直方图相乘,将自适应加权后的各个子块特征向量级联作为最终的纹理特征,最后利用支持向量机(SVM)进行表情分类.在JAFFE和CMU-AMP表情库上进行试验,通过对比其他传统方法发现该算法对表情识别更有效.     

基于Gabor滤波的表情动态特征提取方法

针对目前动态特征提取方法在提取序列表情特征时人脸外貌特征也一起被提取的缺陷,提出了一种基于Gabor滤波的表情动态特征提取方法。利用Gabor滤波器在频率和方向上的选择特性,在提取表情特征时较好地抑制了人脸外貌特征的提取,从而减少了表情特征中人脸外貌特征的含量。在Cohn-Kanade和CMU-AMP人脸库上的表情识别实验表明,本文方法获得的表情动态特征对表情识别更有效。     

基于混合SVM与AdaBoost分类的面部表情识别的人机交互

基于二维主元分析（2DPCA）方法提出一种混合支持向量机（SVM）与AdaBoost算法的面部表情分类方法。首先,该方法对灰度图像进行人脸检测,通过小波变换和二维主元分析得到特征数据,有效地减少了计算量;然后,采用SVM方法对特征数据进行分类学习,得到初始分类器;最后,通过AdaBoost算法对SVM分类结果进行进一步加强,形成强分类器,提升了分类能力,确保了表情识别工作,并实现基于面部表情识别的智能轮椅的人机交互的鲁棒性。实验结果表明：该方法不仅有效地提高了样本的分类能力,而且降低了计算的复杂度,在智能轮椅人机交互实验中的平均识别率达到92.5%。     

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...     

人脸表情识别技术在教学质量分析中的应用

人脸表情识别技术一直以来都是人机交互领域的热门技术、关键技术。近些年来,人脸表情识别在教学质量分析、心理分析得到了广泛关注。特别是教学质量分析,通过对课堂上学生的表情分析,可以得到课堂教学质量、效率等关键信息。要针对课堂上的学生识别人脸表情并进行表情分析,在课堂上所能得到的人脸图像大多是非正面的,为了更好地得到教学质量信息,就要对正面和非正面的人脸图像进行人脸表情识别。鉴于此,文章首先介绍了人脸表情识别技术、表情特征提取和分类方法,然后介绍了非正面人脸表情识别技术以及现有的非正面人脸数据库,最后总结了教学质量分析中人脸表情识别方法的研究现状,并对进一步的教学分析研究和发展方向进行了展望。     

基于GLCM、CGA和Adaboost的人脸表情识别方法研究

提出基于灰度共生矩阵(GLCM)和混沌遗传优化算法(CGA)的人脸表情识别方法(FER)。为了消除遗传算法中个体在解空间内分布的不均匀性,利用混沌的随机性、遍历性和规律性,将混沌引入到遗传算法中,由此得到了混沌遗传优化算法(CGA);通过灰度共生矩阵提取出的特征和改进后的混沌遗传优化算法,将人脸表情识别的寻找感兴趣区域(ROI)和特征提取结合成一步;利用Adaboost算法进行图像分类。经过理论和实验证明,该方法实现简单、切实可行。     

基于Gabor小波变换和两次DCT的人脸表情识别

提出了一种基于Gabor小波变换和两次离散余弦变换(DCT)相结合的人脸表情特征提取方法,在保留有效的纹理信息基础上降低了表情特征的维数.首先对人脸表情图像进行第一次DCT压缩图像,然后对处理过的图像执行Gabor变换,提取表情特征,进而对得到的不同尺度和方向的特征图像进行第二次DCT,得到包含大量表情信息的低维特征向量,最后用BP神经网络对特征向量分类.实验结果显示该方法识别率较高.     

基于Adaboost与支持向量机的人脸特征提取

针对单一分类器人脸检测非常耗时的问题，提出了一种由粗到精的融合分类器结构模式加速人脸检测。该系统分为3个阶段：前两个阶段，使用Adaboost级联分类器快速排除大量简单的非人脸图像；最后一个阶段．使用非线性的支持向量机分类器，将已通过前两个阶段检测的复杂图像准确归类为人脸或非人脸。实验结果表明系统性能良好。     

基于融合DCT和LBP特征提取的面部表情识别

针对离散余弦变换(DCT)只能提取面部表情图像的全局特征,而忽略了临近像素之间的关系、不能提取纹理特征信息、不能准确区分相似表情等问题,提出一种融合离散余弦变换方法和局部二值模式(LBP)特征的表情特征提取方法。该方法首先将人脸图像经过DCT获得的低频系数作为表情的全局特征;然后用LBP对贡献率较大的嘴部、眼睛区域进行局部纹理特征提取,通过将LBP提取到的局部纹理特征与DCT提取到的全局特征进行融合,从而得到更有效的表情特征;最后利用支持向量机(SVM)进行识别。实验结果表明:该方法比单独使用DCT方法提取的表情特征更有利于识别,提高了表情识别的准确性,并将这个表情识别方法用于智能轮椅的控制上,收到了良好的效果。     

基于特征点矢量与纹理形变能量参数融合的人脸表情识别

人脸表情识别是人机交互领域的研究热点和难点之一。为了有效去除由于个体差异而造成的表情特征的差异,该文首先基于特征点矢量提出特征点距离比例系数;其后,又给出纹理形变能量参数的概念;最后,将二者融合用于人脸表情识别。所提方法在Cohn-Kanade数据库及BHU人脸表情数据库进行了测试,实验结果表明该方法较传统的方法在识别率上分别提高了4.5%与3.9%。     

一种基于Adaboost.M1的车型分类算法

神经网络分类器存在容易出现过学习、欠学习、陷入维数灾以及局部最小等问题,支持向量机分类器也存在运算比较复杂,模型选择和核函数的构造比较困难的问题,而贝叶斯分类器只有在训练样本数趋于无穷时,训练结果才趋于真实的模型,因此,提出了一种基于Adaboost.M1理论的车型分类算法,该算法简单易用,只需要寻找一个精度比随机预测略高的弱分类器,不需要调节任何参数,不需要先验知识,而且有足够的理论支持.最后通过实验验证了该算法进行车型分类的有效性.     

基于正则化Adaboost的红外目标识别

对于高维特征空间的分类,Adaboost算法是一种有效的分类算法.然而,如果把Adaboost算法直接运用到红外目标的识别,就会面临高噪声下的Adaboost过拟合问题.采用正则化后的Adaboost算法,即AdaboostKL算法作为分类算法的学习模型,以NaiveBayes作为弱学习器,提出了基于正则化Adaboost的红外目标识别算法.正则化的目的是为避免在红外图像特征高噪声下分类器的过拟合,改善了在高噪声数据下目标识别的可靠性.在求取Adaboost的权重分布时,采用的是熵正则化的方法.通过实验,验证了此算法,则即使面对高噪声的红外数据,也能获得较好的识别效果.