非对称方向性局部二值模式人脸表情识别

针对方向性局部二值模式（DLBP）在单尺度下获取图像纹理特征的不足,提出一种非对称方向性局部二值模式（AR-DLBP）多尺度多方向融合的表情识别算法。首先对人脸表情图像进行光照补偿预处理,消除光照、噪声的影响,分割出人脸及眉、眼、嘴局部表情关键区域,并计算出关键区域的贡献度（CM）;然后提取人脸及关键区域的异或-非对称方向性局部二值模式（XOR-AR-DLBP）直方图特征信息,并根据CM对关键区域直方图信息进行加权级联再与整幅人脸图像的特征信息进行融合;最后用SVM分类器进行表情分类识别。该算法在JAFFE库、CK库上仿真实验,分别取得95.71%、97.99%的平均识别率及112?ms、135?ms的平均识别时间,实验结果表明,该算法可以有效精确地完成人脸表情的分类识别。通过对表情图像光照补偿预处理及分割出表情的关键区域,并加权融合局部与整体特征,大大提高了特征的鉴别能力,与传统算法的对比实验,也表明该算法无论是在识别率还是在识别时间上,所得效果都是最好的。     

基于光流特征与高斯LDA的面部表情识别算法

文中提出了一种人脸表情识别的新方法,该方法采用动态的光流特征来描述人脸表情的变化差异,提高人脸表情的识别率。首先,计算人脸表情图像与中性表情图像之间的光流特征;然后,对传统的线性判断分析方法(Linear Discriminant Analysis,LDA)进行扩展,采用高斯LDA方法对光流特征进行映射,从而得到人脸表情图像的特征向量;最后,设计多类支持向量机分类器,实现人脸表情的分类与识别。在JAFFE和CK人脸表情数据库上的表情识别实验结果表明,该方法的平均识别率比3种对比方法的高出2%以上。     

基于稀疏表示的低分辨率人脸疲劳表情识别

为了有效提高低分辨率图像的人脸疲劳表情识别性能,提出一种基于稀疏表示的低分辨率人脸疲劳表情的识别方法。首先,采用肯德尔和谐系数可信度分析法构建了低分辨率人脸疲劳表情图像库TIREDFACE。其次,通过图像库中的低分辨率样本疲劳表情图像进行稀疏表示,再利用压缩感知理论寻求低分辨率测试样本的最稀疏解,采用求得的最稀疏解实现低分辨率人脸疲劳表情的分类。在低分辨率人脸视觉特征的疲劳表情图像库TIREDFACE的实验测试结果表明,将该方法用于低分辨人脸疲劳表情识别,性能优于线性法、最近邻法、支持向量机以及最近邻子空间法。可见,该方法用于低分辨率人脸疲劳表情识别时识别效果较好,精确度较高。     

基于自发表情数据集预训练的多任务深度网络表情识别方法

为了更好地将现有深度卷积神经网络应用于表情识别,提出将构建自然表情图像集预训练和多任务深度学习相结合的方法。首先,利用社交网络图像构建一个自发面部表情数据集,对现有深度卷积神经网络进行预训练;然后,以双层树分类器替换输出层的平面softmax分类器,构建深度多任务人脸表情识别模型。实验结果表明,本文提出的方法有效提高了人脸表情识别准确率。     

基于分类稀疏表示的人脸表情识别

为挖掘不同人脸表情图像的统计特性差异,提出一种基于分类稀疏表示的表情识别算法。首先通过对不同类别表情图像的字典学习,构建满足各类表情图像统计特性的基函数子集,进而采用Lasso算法获得表情图像在由基函数集所张成特征子空间中的稀疏表示,最后通过比较表情图像在各基函数子集上的重构误差实现不同表情的分类识别。基于JAFFE人脸表情数据库的实验结果表明,该算法可以有效克服人脸身份对表情识别的影响,具有较高的表情识别率和鲁棒性。     

一种特征融合算法的表情识别

对人脸表情图像进行分割得到眉区、眼区和嘴部区域,再对分割出来的表情区域利用高维局部自相关(HLAC)计算特征并得到加权的特征向量,其中加权系数根据心理学中的FACS表情测量理论选取,最后利用近邻中心距离分类器进行表情识别.实验基于CMU-PITTSBURGH表情图像库,在没有增大计算量的前提下相比PCA方法,特征融合(HLAC+WPCA)的方法显著地提高了表情的识别率.     

融合LBP和BP神经网络的人脸表情识别

提出了一种融合局部二值模式(Local Binary Pattern,LBP)和BP神经网络的人脸表情识别方法。通过把人脸表情图像划分成若干区域,分别提取人脸子区域的LBP特征,然后把各个区域的LBP特征串联成一个完整的特征向量,该特征向量就可以表征该表情图像。构造BP神经网络人脸表情识别模型,通过在Cohn-Kanade人脸表情库的实验,验证了该方法的鲁棒性性和可行性。     

RGB-D动态序列的人脸自然表情识别

区别于以二维静态图像为对象的传统人脸表情识别,提出一种针对RGB-D动态图像序列分析的人脸自然表情自动识别算法.首先针对预处理后的RGB-D表情图像序列提取四维时空纹理特征作为局部动态特征;再利用慢特征分析自动检测表情序列的峰值图像,并提取脸部三维几何模型为全局静态特征;最后结合动、静态特征,经主成分分析降维后输入条件随机场模型完成特征训练和表情识别.经由BU-4DFE人脸表情库验证表明,该算法不但比传统静态表情识别算法和其他动态算法具有优越性,而且能够针对自然展现的表情实现自动识别,为今后算法的实用化提供了可能.     

基于生成对抗网络的人脸表情数据增强方法

基于深度学习的方法已经在人脸表情识别中取得了重大进展,然而人脸表情数据库的规模普遍不大。为了解决数据量不足的问题,提出了一种静态图像数据增强方法。在StarGAN的基础上修改重构误差实现多风格人脸表情图像转换,利用生成器由某一表情下的面部图像生成同一人其他表情的面部图像。在CK+表情库上的实验表明,该方法有利于提高人脸表情识别模型的识别率和泛化能力,同时对解决数据量不平衡的问题也有借鉴作用。     

基于表情子空间多分类器集成的非特定人人脸表情识别

针对非特定人人脸表情平均识别率普遍不高（约65%）的问题,提出了一种基于表情子空间和多分类器集成的人脸表情识别新方法。通过局部二进制模式(LBP)与高阶奇异值分解(HOSVD)方法对训练集1中的人脸图像的全脸、眼睛（包括眉毛）和嘴巴三个区域进行特征提取与分解,建立相应的表情子空间;利用支持向量机(SVM)方法对训练集2中的人脸图像在表情子空间训练,得到模糊系统参数;最后结合表情子空间与多分类器集成,对测试集中的图像进行表情分类识别。在JAFFE人脸表情库中实验,获得了71.43%的平均识别率。实验结果表明,该方法有效地减少了人脸外观特征和表情表现方式所带来的影响,具有更好的识别效果。