面向面部表情识别的双通道卷积神经网络

面部表情识别是机器感知人类情绪变化的重要途径,但表情识别受不同个体及情绪强弱差异影响较大,难以手动设计准确的特征.提出一种基于双通道卷积神经网络的面部表情识别方法,首先对采集得到的人脸图像进行预处理以限制分析范围,同时分析人脸灰度图像与对应的LBP图像以兼顾全局与细节特征;针对双通道输入数据,利用不同参数的卷积神经网络自动提取面部特征,通过加权融合分类网络进行特征融合,并利用softmax分类不同表情.实验结果表明,该算法能够以较高的准确率识别6种基本面部表情(高兴、悲伤、愤怒、沮丧、恐惧及惊讶).该方法性能优于基于手动设计特征的面部表情识别方法及单通道CNN方法,相比于其他双通道CNN方法,能通过更简单的处理得到近似的识别结果.     

基于Self-adjust网络模型的人脸图像情感分析方法

人脸表情具有丰富的情感内涵,是情感分析的一个重要研究方向.模糊的面部表情及标注者的主观性所带来的不确定性,给情感分析研究带来了挑战.鉴于此,提出了一种基于Self-adjust网络模型的人脸图像情感分析方法.首先用人脸对齐方法进行图像预处理,然后利用注意力机制来处理Focal损失加权,再对其进行秩正则化排序,最后通过重...     

一种边缘二进制码的表情识别方法

针对如何从图像中提取有效的表情特征来提高表情识别率的问题,提出了一种基于边缘二进制码的表情特征提取方法,用于表情识别.该方法首先对图像进行边缘检测,然后对边缘的局部结构进行二进制码描述作为表情特征,最后利用支持向量机进行表情分类.在JAFFE人脸表情数据库上,分别用该方法和传统的方法进行试验,结果表明,该方法可显著提高表情识别率.     

基于递归双对抗网络模型的人脸表情生成

针对目前表情生成网络中存在的人脸表情失真、不同帧间图像明暗差异明显的问题,提出一种基于递归双对抗网络模型的人脸表情生成框架。首先通过提取深度人脸特征并生成表情特征图,将其作为监督信号,生成人脸表情种子图像;然后使用生成的种子图像和原始目标人脸一起作为输入,生成特征保持图像,作为当前帧的输出,同时该特征保持图像也作为下一帧种子图像生成的输入;最后,将种子图像生成网络和特征保持图像生成网络递归进行下一帧图像的生成,多次递归得到与原始输入表情一致的特征保持人脸表情视频序列。在CK+和MMI数据库上的实验结果表明,提出的方法能够生成清晰自然的人脸表情视频帧,且在目标人脸形状和驱动的表情特征图像有较大形状差异时具有鲁棒性。     

基于人工智能技术的人脸图像局部细节信息识别研究

为了提高人脸图像局部细节信息识别能力,提出基于人工智能技术的人脸图像局部细节信息识别方法.提取不同表情下的人脸图像,结合多区域融合聚类分析方法进行不同表情下的人脸动态特征提取,建立人脸图像的边缘轮廓特征检测模型;采用相似度特征分析方法进行不同表情下人脸图像的鲁棒性重构;提取不同表情下人脸图像的模糊度辨识特征信息,通过多...     

一种基于改进的卷积神经网络的人脸表情识别方法

针对人脸表情识别的准确率较低、鲁棒性较差的问题,本文提出一种加深层数的卷积神经网络,将卷积神经网络LeNet的2层卷积、2层池化、一层全连接分别修改为4层卷积、4层池化、2层全连接.首先对人脸表情图像进行关键点定位、人脸裁剪、图像归一化等预处理,然后利用卷积层提取人脸图像的低维度和高维度的特征信息,池化层对提取的人脸特征信息进行降维处理.最后采用softmax分类器对训练样本图像的表情进行分类识别.为了提高表情识别的准确率,在表情训练集中加入了自制的标注图片集.仿真对比实验表明改进的模型精度更高、损失曲线更平滑,验证了改进网络的有效性.     

基于离散Shearlet类别可分性测度的人脸表情识别方法

针对优化表情特征稀疏表达问题,提出一种基于离散Shearlet类别可分性测度的人脸表情识别方法。首先,对预处理后的图像进行离散Shearlet变换,得到变换系数。然后,根据测度函数评估每个方向与尺度系数的可分性指标,在最佳可分性方向与尺度上,融合低频和高频系数作为特征。最后,引入支持向量机进行分类。结果证明:本文方法选取具有最佳可分性的尺度和方向系数作为特征,抛弃了无用信息,降低了特征维度与计算量,使系统更高效。     

基于LBP层次特征的表情识别算法

提出了一种基于LBP层次特征提取的表情识别算法.将图像分成许多子块,并从子块中提取面部运动单元信息来组成基于面部运动单元的表情成分特征,对人脸图像的眼睛和口部作粗定位.采用局部二值模式(LBP)的层次特征提取法,对图像进行分块操作,求出每个子块的LBP直方图,然后将基于整体特征得到的LBP直方图与基于局部特征得到的LBP直方图连接起来,作为整幅图像的LBP直方图.将层次特征提取法所提取的LBP直方图作为嵌入式隐马尔可夫模型(EHMM)的初始向量,即形成观察序列.对JAFFE人脸库中的7种基本表情进行了测试,结果表明该方法能有效提高表情识别率.     

基于隐马尔可夫模型的人脸特征标注和识别

传统的基于隐马尔可夫模型的人脸识别方法需要对原始人脸图像进行光照补偿、人脸旋转等预处理,而且模型对人脸姿势、表情、局部特征变化等非常敏感.为解决此问题,提出一种基于高斯隐马尔可夫模型的人脸特征标注方法,该方法假定人脸图像中人脸和人脸特征两个区域的灰度值服从两个不同的高斯分布,并将这两个分布作为隐马尔可夫模型的状态集合.同时,将灰度人脸图像转换为一维的灰度值序列作为观测序列,通过模型预测状态序列以实现人脸特征的标注和定位,并基于该模型建立人脸数据库,对未知人脸进行识别.在ORL人脸库和自建人脸库的测试中,均取得较高的标注准确率和识别准确率.     

Kappa加权的子空间融合表情识别方法

为提高面部表情识别效果,提出基于Kappa计算面部表情图像子区域对表情的贡献程度,并线性加权子空间预测结果.将标准化后的人脸表情图像上下平均分割成2个子区域,确定上半脸和下半脸及全脸3个表情子空间,采用Gabor小波特征,分别利用SMO、MLP和KNN三种分类器,统计并计算基于Kappa的子空间表情信息.在Cohn-Kanade和JAFFE两个表情图像库进行测试,实验结果表明:基于Kappa加权融合的表情识别方法识别率更高.