基于Gabor多方向特征融合与分块直方图的人脸表情识别方法

针对传统的Gabor特征表征全局特征能力弱以及特征数据存在冗余性的缺点, 提出一种新颖的采用Gabor多方向特征融合与分块直方图统计相结合的方法来提取表情特征. 为了提取局部方向信息并降低特征维数, 首先采用Gabor滤波器提取人脸表情图像的多尺度和多方向特征, 然后按照两个融合规则将相同尺度不同方向的特征融合到一起. 为了能够有效地表征图像全局特征, 将融合图像进一步划分为若干矩形不重叠且大小相等的子块, 分别计算每个子块区域内融合特征的直方图分布, 将其联合起来实现图像表征. 实验结果表明, 这种方法无论在计算量上还是识别性能上都比传统的Gabor滤波器组更具有优势. 该方法的创新处在于提出了两个Gabor多方向特征融合规则, 应用在JAFFE表情库上最高平均识别率达到98.24%, 表明其适用于人脸表情图像的分析.     

基于Gabor特征和混合高斯模型的人脸表情分析

首先对人脸表情的特点进行分析,提出了利用Gabor小波特征、主分量分析（PCA）结合混合高斯模型的人脸表情分析方法,并在人脸表情数据库JAFFE进行了实验。通过对不同表情的分布规律进行实验分析,实现了对表情的定性/定量分析。实验结果表明,提出的人脸表情分析方法能够对人脸表情进行恰当的表达和描述。     

一种基于Gabor小波特征的人脸表情识别新方法

近来,表情识别成为人机交互研究的热点.将Gabor小波变换与2DPCA结合提出了一种表情识别的新方法.首先对静态灰度表情图片进行预处理,然后对其进行Gabar小波变换,通过2DPCA进行降维,根据Gabor不同尺度不同方向的变换结果训练不同的分类器,由校验集得到分类器权值,通过隶属度函数将各个分类结果模糊化,实现了分类器集成和表情特征数据的融合.实验证明了Gabor小渡与2DPCA结合在表情识别中的有效性,以及基于Gabor小波模糊分类器集成的方法能够进一步提高识别率.     

基于Gabor参数矩阵与改进Adaboost的人脸表情识别

针对目前人脸表情识别(FER)中Gabor特征维数高、计算量大并且存在特征冗余的问题,提出一种基于Gabor参数矩阵与改进Adaboost的人脸表情识别算法。首先,结合图像像素信息与Gabor小波核的参数定义Gabor参数矩阵;其次,在Adaboost中引入遗传算法(GA)的思想改进其搜索性能,并利用改进的Adaboost选择与Gabor参数矩阵元素对应的最优特征来构建强分类器,从而通过特征选择的方法降低Gabor特征的维数和冗余,减少计算量;最后,在构建多个强分类器的基础上,提出多表情分类算法实现面部表情的分类识别。基于Matlab的实验结果表明,该算法的平均表情识别率为89.67%,且最优特征的选取效率得到明显提高。     

基于Gabor小波变换的人脸表情识别

对基于Gabor小波变换的人脸表情识别方法进行了研究.对图像进行预处理以提高后续处理的准确度,通过分析二维Gabor小波变换的优点和人脸表情特征的变化情况,利用二维Gabor小波变换提取脸部表情特征,使用弹性模板匹配算法来识别图像中的人脸表情.实验结果表明,这种方法与传统的识别方法相比,系统具有很好的鲁棒性,达到较高的识别率.     

基于Gabor小波和稀疏表示的人脸表情识别

通过分析Gabor小波和稀疏表示的生物学背景和数学特性,提出一种基于Gabor小波和稀疏表示的人脸表情识别方法。采用Gabor小波变换对表情图像进行特征提取,建立训练样本Gabor特征的超完备字典,通过稀疏表示模型优化人脸表情图像的特征向量,利用融合识别方法进行多分类器融合识别分类。实验结果表明,该方法能够有效提取表情图像的特征信息,提高表情识别率。     

基于CNN和HOG双路特征融合的人脸表情识别

为了避免传统表情识别方法中复杂的特征手动提取过程,同时能够提取到更多的表情特征,本文提出一种双路特征融合模型,将卷积神经网络(CNN)和方向梯度直方图(HOG)方法结合起来进行研究.在第一条通道上,对人脸表情图像进行归一化预处理,并使用可训练的卷积核提取隐式特征;在第二条通道上,提取出人脸面部表情的HOG特征,然后输入到卷积神经网络中的全连接层上;最后将融合特征传递至输出层,采用Softmax分类器进行识别并输出结果.本文在FER2013和CK+表情数据库上进行实验,结果验证了方法的有效性.     

基于Gabor小波变换的人脸表情识别技术研究

为了使人机交互得到更好的研究,提出了一种基于Gabor小波变换的人脸表情识别的新方法;首先对图像进行预处理以提高后续处理的准确度,预处理包括确定纯的人脸表情区域,尺寸和灰度归一化,然后对表情子区域进行Gabor小波变换,提取表情特征矢量,进而构建表情弹性图,最后用模板匹配的方法来识别图像的人脸表情;经过实验,发现Gabor小波变换提取特征时受光照影响比较小,该系统不仅具有很好的鲁棒性,并且速度快,识别率高。     

基于Gabor和二值叠加CS-LBP特征的人脸表情识别

在表情识别中Gabor结合局部二值模式（LBP）的特征提取方法以及直方图统计降维虽然是较为局部化的方法,但LBP鲁棒性较差,识别精度不高,而且使用直方图统计来区分表情,其计算复杂度和特征维数依旧较高。中心对称局部二值模式（CS-LBP）与LBP相比具有较好的鲁棒性,但其对表情纹理细节的描述仍不够详细。因此提出基于Gabor结合改进的CS-LBP即二值叠加中心对称局部二值模式（二值叠加CS-LBP）的特征提取方法。用Gabor提取特征,同时用两种计算方式提取两个特征值并叠加,作为最终识别的特征;并通过离散余弦变换（DCT）降维,有效降低表情的特征维数。在JAFFE表情库中实验验证了该方法能有效提高识别精度。     

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。     

面向脸部表情识别的Gabor特征选择方法

针对人脸表情识别中Gabor特征向量的高维度信息冗余问题,提出了一个2层Gabor特征选择方法.该方法首先利用改进方差比率作为评估特征的区分能力对高维向量进行过滤,然后对过滤得到的特征子集进行AdaBoost特征选择,以挑选出最具区分度的特征,从而降低了Gabor特征的表示维度.实验结果验证了所提方法的有效性,在训练时间和识别性能两者之间取得了较好的平衡.     

一种基于局部Gabor滤波器组及PCA＋LDA的人脸表情识别方法

针对传统的Gabor滤波器组存在特征提取时间较长以及特征数据存在冗余性的缺点,提出了一种新颖的局部Gabor滤波器组。为了评估该方法的识别性能,提出了一个基于Gabor特征的人脸表情识别系统。该系统首先对经过预处理之后的纯表情图像提取Gabor特征,然后用PCA LDA方法对采样后的特征进行特征选择,最后采用K近邻分类方法识别人脸表情。实验结果表明,这种方法无论在计算量还是识别性能上都比传统的Gabor滤波器组更具有优势。该方法的创新之处在于选取局部Gabor滤波器,最高平均识别率达到了97.33%,表明其适合于人脸表情图像的分析。     

一种基于特征融合降维的表情识别算法*

为了降低人脸表情识别过程中特征分类的计算量,采用了一种基于特征融合降维的表情识别算法。该算法首先对表情图像进行预处理,再利用Gabor小波多尺度多方向的特性对图像进行滤波,针对同一尺度下8个不同方向的几幅特征图像,对其中特征值最大的图像编码作为新特征图像的像素值,此时特征图像的维数降为原来的1／8。最后利用统计直方图对融合后的特征图像进行分块特征统计,将统计信息作为最终的特征信息进行分类。实验结果表明,该方法在保证人脸表情识别率的前提下减少了特征图像的计算量,提高了系统效率。     

基于特征区域自动分割的人脸表情识别?

针对目前三维人脸表情区域分割方法复杂、费时问题,提出一种人脸表情区域自动分割方法,通过投影、曲率计算的方法检测人脸的部分特征点,以上述特征点为基础进行人脸表情区域的自动分割。为得到更加丰富的表情特征,结合人脸表情识别编码规则对提取到的特征矩阵进行扩充,利用分类器进行人脸表情的识别。通过对三维人脸表情数据库部分样本的识别结果表明,该方法可以取得较高的识别率。     

基于Gabor变换与改进SLLE的人脸表情识别

本文通过Gabor变换进行人脸表情图像的特征提取,并利用局部线性嵌入（LLE）系列算法进行数据降维操作.LLE算法是一种非线性降维算法,它可以使得降维后的数据保持原有的拓扑结构,在人脸表情识别中有广泛的应用.因为LLE算法没有考虑样本的类别信息,因此有了监督的局部线性嵌入（SLLE）算法.但是SLLE算法仅仅考虑了样本的类别信息却没有考虑到各种表情之间的关系,因此本文提出一种改进的SLLE算法,该算法认为中性表情是其他各种表情的中心.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,该算法获得了更好的人脸表情识别率,是一种有效算法.     

基于卷积神经网络特征图聚类的人脸表情识别

针对卷积层存在的特征冗余问题,提出了一种基于卷积神经网络的特征图聚类方法。首先通过预训练网络参数提取网络最后一层卷积层的特征图,然后对特征图进行聚类操作,取聚类中心构成新的特征图集合,以聚类后的特征图集作为数据集训练分类器。将有监督的深度学习方法与传统的机器学习方法相结合,使用特征图聚类进行特征去冗余让网络学习到更有效的特征。去冗余后的特征使用神经网络分类器在fer2013测试集上达到了71.67%准确率,在CK+测试集上达到86.98%准确率,证明了该人脸表情识别方法的有效性。     

基于纹理特征融合的人脸表情识别

局部二值模式(LBP)和韦伯局部描述算子(WLD)是两种图像的纹理描述算子,在图像的特征提取方面有较强的能力。为了更加准确地对人脸表情进行识别与分类,针对LBP在特征提取的过程中只考虑了中心像素点与周围的其他像素点的灰度值之差,WLD仅考虑中心像素点与周围像素点灰度值之间的激励强度与梯度方向关系的问题,提出一种新的特征提取算法—局部二值韦伯模式(LBWP)。首先对图像进行预处理,检验人脸和裁剪有效的表情区域,接着对图像进行LBWP特征提取,在特征提取之后采用SVM的分类器对表情进行识别和分类。该算法在CK+数据集和JAFFE数据集上进行实验仿真,识别率分别达到了97.14%和95.77%。实验结果验证了LBWP算法在表情识别方面的有效性,且丰富了人脸图像特征提取方法。     

基于Gabor小波的人脸识别技术

本文首先通过直方图均衡化等预处理方法增强图像的整体对比度,使图像的细节更加清晰.然后利用Gabor小波变换,选取不同的尺度和方向对人脸表情特征进行提取.最后通过实验结果对比证明预处理后的图片在进行小波变换时能节省大量的运算时间,并提高识别率.