面向人脸表情识别的迁移卷积神经网络研究

人脸表情识别是模式识别研究的一个重要领域,现实环境中人脸表情识别容易受到光照、姿态、个体表情差异等因素的影响,识别效果仍有待提高。为了取得更好的人脸表情识别效果,本文提出一种基于迁移卷积神经网络的人脸表情识别方法,本文在训练得到人脸识别网络模型的基础上,采用迁移学习方法将所得人脸识别模型迁移到人脸表情识别任务上,并提出Softmax-MSE损失函数和双激活层(Double Activate Layer, DAL)结构,以提高模型的识别能力。在FER2013数据库和SFEW2.0数据库上的实验表明,本文所提方法分别取得了61.59%和47.23%的主流识别效果。      

基于深度学习的可靠表情数据识别

当前深度学习已成为表情识别领域的重要研究方法，但此方法应用于真实环境或者复合表情数据库下时识别准确率非常低下，为此提出一种深度局部关联神经网络DLR-VGGNet(Deep Locality-Relevance VGGNet)的可靠表情数据识别方法，首先在VGGNet网络添加一个新的监督层，即局部关联损失(LRloss)，提高深层特征的判别能力，之后在不同的人脸表情数据库中基于这种 DLR-VGGNet网络进行训练并且进行网络参数微调和测试。最后，RAF-DB数据库中对 7类基本表情和11类复合表情做基准实验以及在SFEW和CK+数据库中做对比实验。实验结果表明在真实环境基于DLR-VGGNet的方法优于传统的手工特征提取方法。     

基于模糊积分多分类器融合的人脸表情识别

本文提出了一种基于模糊积分多分类器融合的表情识别方法.首先采用离散余弦变换进行特征提取,然后分别用最近邻分类器、最近特征线分类器和余弦距离分类器三个子分类器对生气、厌恶、恐惧、高兴、中性、悲伤、惊讶七种表情进行识别,最后利用模糊积分对子分类器的识别结果进行融合.在JAFFE人脸表情静态图像库上进行了实验,取得了比较高的识别精确度.     

融合局部语义与全局信息的人脸表情识别

人脸表情识别在人机交互等人工智能领域发挥着 重要作用,当前研究忽略了人脸的语 义信息。本 文提出了一种融合局部语义与全局信息的人脸表情识别网络,由两个分支组成:局部语义区 域提取分支 和局部-全局特征融合分支。首先利用人脸解析数据集训练语义分割网络得到人脸语义解析 ,通过迁移训 练的方法得到人脸表情数据集的语义解析。在语义解析中获取对表情识别有意义的区域及其 语义特征, 并将局部语义特征与全局特征融合,构造语义局部特征。最后,融合语义局部特征与全局特 征构成人脸 表情的全局语义复合特征,并通过分类器分为7种基础表情之一。本文同时提出了解冻部分 层训练策略, 该训练策略使语义特征更适用于表情识别,减 少语义信息冗余性。在两个公开数据集JAFFE 和KDEF上 的平均识别准确率分别达到了93.81%和88.78% ,表现优于目前的深度学习方法和传统方法。实验结果证 明了本文提出的融合局部语义和全局信息的网络能够很好地描述表情信息。     

融合人脸局部区域的表情识别

本文提出了一种融合人脸各个局部区域的表情识别方法,首先提取眼睛、鼻子和嘴巴三个局部区域,并对这三个局部区域和整个人脸区域分别进行表情识别,得到四个独立的识别结果,再利用融合策略对四个结果进行决策融合,所提方法在日本女性表情数据库JAFFE库和五邑大学人脸表情数据库CED_ WYU库上进行了广泛的实验,结果表明,通过融合人脸各局部区域的识别结果,表情识别率可以得到显著提高.     

基于多尺度融合注意力机制的人脸表情识别研究

针对传统卷积神经网络在表情特征提取阶段容易丢失大量有用信息,无法提取到高判别性表情特征,从而导致表情识别率低的问题,提出一种基于多尺度特征融合注意力机制的人脸表情识别方法.首先,采用VGGNet16来提取卷积特征.为了避免表情特征信息的丢失,将网络中不同层次卷积层的输出特征图进行多尺度特征融合,引入上下文信息的同时提取...     

基于深度学习的表情动作单元识别综述

基于深度学习的表情动作单元识别是计算机视觉与情感计算领域的热点课题.每个动作单元描述了一种人脸局部表情动作,其组合可定量地表示任意表情.当前动作单元识别主要面临标签稀缺、特征难捕捉和标签不均衡3个挑战因素.基于此,本文将已有的研究分为基于迁移学习、基于区域学习和基于关联学习的方法,对各类代表性方法进行评述和总结.最后,本文对不同方法进行了比较和分析,并在此基础上探讨了未来动作单元识别的研究方向.     

面部表情识别中基于TTL的特定个体学习模型

针对现实生活中采集的特定个体数据稀疏而导致学习时产生过拟合的问题,提出了一种基于迁移学习的特定个体学习模型。首先,利用直推式迁移学习从原数据提取有用信息并将其添加到目标数据;然后,利用核主成分分析进行特征提取;最后,将各个样本建模为流形,并利用稀疏系数重建和k近邻分类器完成识别。在PAINFUL数据库上的实验结果表明,本文模型在痛苦表情上的识别精度可高达96.29%,ROC下方面积可高达0.904,相比其他几种较新的模型,本文模型取得了更好的识别性能。     

基于迁移学习的人脸种群识别技术研究

自动提取人脸特征来验证人的身份目前已经被广泛的应用在各种领域,但是通过人脸特征来辨别种群大多还是停留在人工提取特征的阶段,耗费大量人力资源,或者使用深度学习,但是需要经过大量的计算消耗大量的时间。文中提出了一种利用迁移学习的方法,通过微调网络以及冻结参数相结合的训练方式提高了原预训练网络对于人脸种群识别的泛化性与稳定性;同时对模型进行了改进以提高识别的时效性,提高了网络识别速度的同时大大减少了网络的参数。经自建的人脸数据集训练测试,取得了良好的检测性能。     

基于融合特征和迁移学习的艺术图像情感识别研究

艺术图像的视觉情感分析有助于对艺术图像的鉴赏与保护.本文利用改进的FPN模型提取艺术图像的不同层次的情感语义特征,运用CLAHE突出艺术图像的颜色特征,分别提取图像在HSV颜色空间下的H-S二维特征及在YCrCb颜色空间下的CrCb二维特征,并设置两种颜色特征的不同权重,提出一种基于图像特征融合的情感识别模型HCFNe...     

基于HOGv-CLBP特征融合和ELM的交通标志识别

针对交通标志识别识别率低和时间复杂度大的问题 ,本文提出一种HOGv-CLBP特征融合和极限学习机的交通标志识别算法。首先通过描述交通 标志图像边缘信息的方向梯度直方图(HOG)特征,与能够 表示标志图像内部纹理信息的局部二值模式(LBP)特征融合得到降维后形成一种HOGv-CLB P有效特征, 然后利用ELM进行交通标志训练和分类。实验结果表明,该算法不仅提高了交通标志的识别 率,而且降低了时间复杂度,增强了系统鲁棒性。     

基于VGG16和迁移学习的高分辨率掌纹图像识别

由于高分辨率掌纹图像尺寸大、掌纹图像数量少等特点,目前主流的方法采用细节特征点匹配,其算法设计复杂,识别精度不高.针对以上问题,本文提出基于迁移学习的高分辨率掌纹图像识别方法,该方法以VGG16为基础网络,将在ima-genet数据集上训练好的权重参数,用于初始化所有的卷积层;使用图像增强技术将高分辨率掌纹图像分别4、...     

基于深度迁移学习的饮食图像识别研究

卷积神经网络(CNN)应用于图像识别具有很大优势,但是需要足够深的网络和大量标签完善的数据集才能发挥其优越性.实际应用中,往往需要应对的是质量差和大小不一的数据集,且受硬件设备限制.为了提高图像识别效率和精度,提出一种基于深度卷积神经网络和迁移学习的识别算法.该算法首先对图像预处理和数据增强,后迁移大样本提取出的特征信息用于CNN特征提取,再接入微调网络对数据集再训练.实验结果显示,本文算法对饮食识别的精度和时间性能均有显著的提高,精确度最高可达98％以上,精度提升最高可达10％以上,时间性能提升幅度最高可达110％.     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。     

一种基于融合深度卷积神经网络与度量学习的人脸识别方法

现有的卷积神经网络方法大多以增大类间距离为学习目标,而忽略类内距离的减小,这对于人脸识别来说,将导致一些非限制条件下(如姿态、光照等)的人脸无法被准确识别,为了解决此问题,提出一种基于融合度量学习算法和深度卷积神经网络的人脸识别方法。首先,提出一种基于多Inception结构的人脸特征提取网络,使用较少参数来提取特征;其次,提出一种联合损失的度量学习方法,将分类损失和中心损失进行加权联合;最后,将深度卷积神经网络和度量学习方法进行融合,在网络训练时,达到增大类间距离同时减小类内距离的学习目标。实验结果表明,该方法能提取出更具区分性的人脸特征,与分类损失方法及融合了其他度量学习方式的方法相比,提升了非限制条件下的人脸识别准确率。     

基于Rough集的信息融合目标识别方法

研究了Rough集理论在基于不同谱段光学信息融合的目标识别系统中的应用技术,在介绍了目标知识表示方法的基础上,提出了用C均值算法实现连续信息离散化的方法,并通过决策表属性的约简来生成决策表,以实现对目标的识别。针对可见光、中／长波红外等三种不同谱段下的三种不同目标图像进行了实验,实验结果表明,该方法具有对先验知识获取的易实现性和对目标识别的有效性。     

基于光学传感器数据融合的小目标识别方法研究

可见光与红外成像侦察是光电侦察领域中的最重要的获情手段,但是由于当前缺乏针对两种光学传感器获取的目标图像进行融合的有效方法,严重制约了光学目标检测和识别概率的进一步提高,尤其是小目标的识别问题,成为光电侦察领域的一个难题.本文立足小目标光学成像特点,充分运用图像处理领域前沿理论方法,研究提出了基于可见光和红外图像数据融合的小目标识别算法流程框架,为小目标识别问题的解决,提供了切实可行的指导.