小规模数据多角度人脸表情人工智能识别仿真

已有人脸表情智能识别方法存在图像遗漏、识别速度慢、以及表情易混淆的问题,导致识别正确率低,且不适用于多人脸识别。为解决上述问题,提出小规模数据多角度人脸表情人工智能识别方法。结合去噪自编码器、稀疏自编码器及普通自编码器组成具有5层网络结构的堆栈式混合自编码器。在网络结构中训练数据样本,并对样本完成微调、权重初始化和更新。再结合粒子群优化分类器识别表情,将粒子最优值带入人脸表情识别目标函数,获得判定表情的决策矩阵,完成人脸表情人工智能识别。仿真结果表明,所提方法识别多人表情识别时无遗漏,且识别速度快、精度高、人脸表情不易混淆。     

一种基于降噪自编码器的人脸表情识别方法

针对传统人脸表情识别算法鲁棒性差,易受到人脸身份信息干扰的问题,本文在基于降噪自编码器的基础上,提出一种人脸表情识别算法。首先,从图片中检测出人脸部分,并进行尺度归一化处理;再构造堆栈式降噪自编码神经网络模型进行预训练;最后为了避免由训练样本不足容易造成的过拟合问题,在深度网络模型的全连接层采用了Dropout技术。实验结果在数据集CK 、JAFFE和Yale上均取得了较高的准确率,说明了该方法具有较强的鲁棒性和抗身份信息干扰的能力。     

奇异值分解和稀疏自编码器的轴承故障诊断

针对滚动轴承故障特征提取和分类需要进行有监督训练才能实现等问题,提出了一种基于奇异值分解（SVD）和时域统计特征分析并结合堆栈稀疏自编码器（SAE）以及Softmax分类器实现滚动轴承故障诊断方法。该方法利用Hankle矩阵对原始数据进行矩阵重构,利用奇异值分解和时域分析对重构后的故障信号进行特征预提取,融合两种特征并输入到堆栈稀疏自编码器中进行特征优化,将优化后的特征输入到Softmax分类器中进行分类识别。实验结果表明,3种工况下10类故障数据的识别准确率均在96%左右,且高于文中其他方法,因此该方法能有效地进行滚动轴承复杂信号的特征预处理以及分类。     

基于边缘云框架的高效安全人脸表情识别

针对物联网环境下数据量大且人脸表情识别率低的问题,提出基于边缘云框架的高效安全人脸表情识别方法.物联网设备通过多秘密共享技术获取用户信息,并分发到不同的边缘云.边缘云利用语谱图和局部二值模式的方法提取语音特征,采用差值中心对称局部二值模式获得图像特征,将特征送至核心云.基于栈式稀疏去噪自编码器融合语音和图像特征,实现人...     

基于改进栈式自编码器的风电机组发电机健康评估

风电机组发电机具有结构复杂、维修困难的特点,为对其进行健康评估,结合去噪自编码器与稀疏自编码器的特点,对传统栈式自编码器模型进行改进,利用模型的重构误差监测风电机组发电机的运行状态。将经离线测试得到的重构误差与在线监测得到的重构误差进行分布差异性比对,通过融合3种差异指标得到风电机组发电机的健康度。利用河北某风场实际数据对健康评估模型进行训练测试,通过实例分析证明该模型能够有效跟踪风电机组发电机的状态变化,具有故障早期识别的作用。     

基于混合方法的人脸表情识别研究

针对人脸表情图像识别进行了研究,为了提高表情图像的识别率,提出了一种综合Gabor小波、离散余弦变换、支持向量机的人脸面部表情识别方法。采用ISOMAP算法对人脸面部表情的分类以及强度鉴别。利用Gabor小波变换的局部化特点滤掉人脸表情图像中的高频信息,提出结合离散余弦变换提取系数作为识别特征,并用支持向量机的训练样本构造表情强度模型,进行仿真实验。实验结果表明方法与传统的识别方法相比,系统具有良好的鲁棒性,达到较高的识别率,并能实现了人脸面部表情的分类和强度鉴别。因此充分证明了方法的有效性。     

基于低秩堆栈式语义自编码器的零样本学习

在图像分类领域,现有的深度学习等方法在训练时需要大量有标注的数据样本,且无法识别在训练阶段未出现的类别。零样本学习能有效缓解此类问题。本研究基于堆栈式自编码器和低秩嵌入,提出了一种新的零样本学习方法,即基于低秩嵌入的堆栈语义自编码器（low-rank stacked semantic auto-encoder,LSSAE）。该模型基于编码-解码机制,编码器学习到一个具有低秩结构的投影函数,用于将图像的视觉特征空间、语义描述空间以及标签进行连接;解码阶段重建原始视觉特征。并通过低秩嵌入,使得学习到的模型在预见未见类别时能共享已见类的语义信息,从而更好地进行分类。本研究在五个常见的数据集上进行实验,结果表明LSSAE的性能优于已有的零样本学习方法,是一种有效的零样本学习方法。     

基于视频的人脸表情识别方法研究

近年来,表情识别逐渐成为计算机视觉和模式识别领域的研究热点之一。给出了一个包含人脸特征提取和表情识别的计算机视觉系统,通过对视频中人脸兼容运动特征的跟踪,提取人脸运动特征向量序列,与以往的方法不同,提取到的特征向量流被分割为两类,一类是表情特征向量流,另一类是视觉语音特征向量流。然后,利用基于CHMM（Couple Hidden Markov Model）的表情识别模型,进行人脸表情的识别,该模型允许两个向量流根据其各自的时域特征以异步方式进行处理,同时保持这两个向量流在时域上的自然关联。实验表明该方法优于传统的单通道处理方法。     

基于改进LBP的人脸表情识别方法

针对传统LBP方法在人脸表情特征提取时相对单一与固定,提出一种LBP的扩展形式,即ε-LBP。通过ε的灵活取值,ε-LBP特征提取也更加灵活,总可以找到更适合于特定分类问题的子空间,而且ε-LBP对于噪声和光照变化相对于LBP更加鲁棒。使用MatLab语言将上述算法应用于人脸表情识别,取得较好的识别效果。     

人脸疼痛表情识别综述

自动疼痛识别技术在医疗保健,特别是在对无法用语言表达疼痛的病人的治疗和护理中具有广泛的应用前景,因此逐步受到研究者的关注。由于人的面部线索是很重要的疼痛评估依据,并且基于计算机视觉技术的人脸表情识别研究已取得很大进展,因此利用面部表情信息实现自动疼痛识别成为了一条有效的途径。本文首先简要介绍了目前常用的STOIC表情数据库、 婴儿疼痛表情分类（COPE）数据库、UNBC-McMaster肩部疼痛数据库和BioVid热疼痛数据库,然后从静态图像疼痛表情识别、视频序列疼痛表情识别、特定人物疼痛识别以及多信息融合疼痛识别4个方面对近10年的疼痛表情识别主要方法进行了详细 的介绍,最后对目前人脸疼痛表情识别现状进行总结和分析,并阐述了其存在的挑战和未来的发展方向。     

基于拓扑知觉理论的人脸表情识别方法

在传统的计算机视觉领域中,底层任务被认为是自主的、自底向上的过程,造成较低的图像识别率。为此,提出一种基于拓扑知觉理论的人脸表情识别方法。该方法把人脸具有拓扑不变性的性质用于人脸拓扑轮廓的提取,将提取的特征与主成分分析相结合,作为人脸大范围特征信息,将大范围优先原理应用于人脸表情的识别算法中,设计RBF+Adaboost多层分类器。实验结果表明,该方法可以提高人脸表情的识别率。     

基于SDAE与RELM的EEG情感识别方法

针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器（SDAE）和正则化极限学习机（RELM）的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初始特征,使用SDAE进行无监督特征学习,提取初始特征的高层抽象表示。在网络的回归层,使用RELM进行情感分类。在DEAP数据集上的实验结果表明,与SDAE以及DT、KNN等传统基于机器学习的方法相比,该方法在实时性、准确性和泛化性能等方面均有明显提升。     

基于改进的ResNet网络的人脸表情识别

近几年来,人工智能的热度一直居高不下,其中作为人机交互的一种重要方法—人脸表情识别已经成为计算机视觉研究的热点.从传统的机器学习算法到现在的深度学习,识别效率也在不断地提高,为了进一步提高人脸表情识别率,在传统的卷积神经网络的基础上,提出了一种基于改进的ResNet卷积神经网络的表情识别方法.该方法基于ResNet网络...     

基于偏最小二乘回归的人脸身份和表情同步识别方法

将偏最小二乘回归方法用于人脸身份和表情的同步识别。首先,对每幅人脸图像进行脸部特征提取以及相应的语义特征定义。在脸部特征提取方面,从每幅图像中标定出若干脸部关键点位置,并提取图像在该关键点处的Gabor小波系数（Gabor特征）以及关键点的坐标值（几何特征）,作为该图像的输入特征。语义特征则定义为该人脸图像所属的表情类别信息以及所对应的人脸身份信息。其次,利用核主成分分析(KPCA)方法对脸部Gabor特征和几何特征进行融合,使得输入特征具有更好的识别特性;最后,运用偏最小二乘回归(PLSR)方法建立脸部特征和语义特征之间的关系模型,并运用此模型对某一测试人脸图像进行表情和身份的同步识别。通过在JAFFE国际表情数据库和AR人脸数据库上的对比实验,证实了所提方法的有效性。     

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。     

基于稀疏保留投影的人脸表情识别

提出一种基于稀疏保留投影的人脸表情识别方法。通过稀疏重构处理,在保留表情稀疏重构信息的同时也保留表情局部邻信息,可从原始表情数据中提取更多有效且具判决性的内在表情特征,获得的投影也较稳定。基于JAFFE和CED-WYU 2个表情数据库的识别结果表明,该方法能有效提高人脸表情识别率。     

人脸表情识别研究进展

人脸表情识别(Facial Expression Recognition,FER)是计算机视觉、机器学习、人工智能等领域的重要研究方向,目前已经成为国内外学者的研究热点。介绍了FER系统流程,总结了表情特征提取和表情分类的常用方法以及近年来国内外学者对这些方法的改进,并对这些方法的优缺点进行比较。最后,对目前FER研究的难点问题进行了分析,并对FER未来的发展方向进行展望。     

人脸表情识别综述

人脸表情识别是人类情感识别的基础,是近年来模式识别与人工智能领域研究的热点问题。本文首先总结了人脸表情识别的发展过程,主要包括传统的表情特征提取、表情分类方法与基于深度学习的表情识别方法,并对各种算法的识别率与性能进行了分析与比较。然后介绍了表情识别常用的数据集及各数据集的优势与存在的问题,并针对这些问题归纳分析了生成对抗网络等用于数据增强的技术与方法。最后,总结了表情识别领域目前存在的问题并展望了未来可能的发展。     

结合LBP特征和深度学习的人脸表情识别

对于人脸表情识别,传统方法是先提取图像特征,再使用机器学习方法进行识别,这种方法不但特征提取过程复杂且泛化能力也差。为了达到更好的人脸表情识别效果,文中提出一种结合特征提取和卷积神经网络的人脸表情识别方法。首先使用基于Haar-like特征的AdaBoost算法对于数据库原始图片进行人脸区域检测,然后提取人脸区域局部二值模式（Local Binary Patterns,LBP）特征图,将其尺寸归一化后输入到改进的LeNet-5神经网络模型中进行识别。在CK+和JAFFE数据集上采用10折交叉验证方法进行实验,分别为98.19%和96.35%的准确率。实验结果表明该方法与其他主流方法相比在人脸表情识别上有一定的先进性和有效性。