基于随机权重分配策略的面目表情识别

为了提高面部表情识别的精确度,提出了一种基于数据增强策略面部表情识别,区别于普通的在线随机数据增强,将实验用到的训练数据集采用附加不同的权重分配策略进行增强数据,并随机生成每次训练时的权重,保证其训练数据的多样性并通过比较实验结果得出哪种权重的分布策略适用于面部表情识别数据集的增强,同时解决了面部表情识别因数据集缺乏多样性识别精度不高等问题,提升了人脸表情识别的准确性和鲁棒性,此外还利用VGG19特征提取网络,通过从数据中学习鲁棒性和区分性特征,来实现高精度的面部表情识别。实验结果表明,使用该方式增强后的数据进行训练的模型在Fer2013和扩展Cohn-Kanade （CK+）数据库上对7种表情的识别率相比其原始数据集均有提升。     

基于M-Xception网络的戴口罩人脸表情识别

目前,国内外对于有遮挡的人脸表情识别研究较少,其中戴口罩的人脸表情识别(faceemotionrecognition withmask,FERM(应用场景复杂、数据集缺乏、识别准确率低,因此提出一种改进的Xception网络模型M-Xception Net(Modified Xception Net),并建立一个FERM数据集.M-Xception网络模型具有轻量级特性,参数量较少,对细微表情信息敏感,适用于场景复杂、分辨率较低表情数据集,并利用Dlib的Face-Mask技术,对FER2013表情数据进行戴口罩的遮挡处理,生成FERM数据集.将M-Xception网络模型在FERM数据集上进行测试,结果表明,戴口罩人脸表情识别准确率达到88.95%,高于直接利用Xception网络进行戴口罩表情识别的准确率84.94%,并且缩短了训练时间.     

深度残差网络和LSTM结合的图像序列表情识别

为了改善图像表情和图像序列表情识别效果,针对传统表情识别特征提取复杂和效果不理想问题,提出了一种深度残差网络和局部二值模式(local binary patterns,LBP)相结合的特征提取方法,利用深度残差网络提取数据集的空域特征,长短期记忆网络(long short-term memory,LSTM)处理时域特征,实现空域与时域特征的结合。研究了不同层数的残差网络、不同形式的LBP算子以及其他网络结构对人脸表情识别的影响,对比了支持向量机和随机森林实现的序列表情识别算法。在Cohn-Kanade数据集和AFEW6.0数据集上进行了验证,实验结果表明,算法在验证集上的准确率分别为73.1%和58.4%,相比其他算法有一定程度的提升。     

基于核函数因素分解模型的表情合成与识别

人脸图像合成是新一代人机交互中的重要技术。传统的三维模型加生理模型的方法可以生成真实的人脸表情图像,但是其中的计算复杂度很高。该文提出了一种基于样本的方法,将不同的人和不同的表情看作影响人脸表情图像的两种变化因素,利用因素分解模型巧妙地进行人脸表情图像合成。同时,分析了因素分解模型获得的身份子空间和表情子空间的特点,提出了一种在子空间中利用余弦距离进行身份和表情识别的新思路。从实验结果来看,这里提出的方法可以仅利用一张训练集内、外的人脸图像合成出该人在不同表情下逼真的脸部表情图像,同时可以合成库内的人在新表情下的表情图像。     

参考中性表情的人脸表情识别

为充分利用视频中人脸表情与中性表情的差异,提出了一种新的对非特定人脸的表情识别方法.该方法针对低复杂度的视频表情识别应用场景,利用参考中性表情的特征点偏移角表征被测表情的变化信息,同时利用二维主成分分析(2DPCA)法提取被测表情帧的二维主成分特征,从而综合使用表情的动态和静态特征,并使用支持向量机分类器进行表情分类识别.在JAFFE人脸表情库上的实验结果表明,相对于仅使用2DPCA的静态图像表情识别方法,文中所提方法的人脸表情识别准确率平均提高7%.     

基于多尺度特征选择网络的人脸表情识别

首先, 针对人脸表情识别问题提出一种新的多尺度特征选择网络识别方法, 该网络充分结合多尺度网络结构和特征选择结构的优点, 能更有效地提取面部静态图像中的空间信息. 其次, 为验证本文提出的多尺度特征选择网络的识别性能和泛化能力, 在两个经典的人脸表情识别数据集上与一些常用的方法进行对比和交叉验证实验. 实验结果表明, 该网络取得了更好的识别效果, 并且具有良好的泛化能力, 可以灵活地嵌入到人脸表情识别分析系统中.     

基于曲线表示的人脸表情合成

先将人脸边缘图像分割为曲线段集, 通过度量图像在曲线段两侧的局部纹理差异, 形成特征序列. 在此基础上, 比较人脸样本集出现一类特定表情前后的图像, 量化曲线段集和特征序列在此类表情运动作用下的变化, 找出其中模式, 从而在仅有某样本中性表情图像时, 根据模式合成出样本在发生某类特定表情变化后的曲线段集和特征序列. 运用该方法, 可在初始样本有限的情况下, 通过合成表情特征有效扩展样本空间, 使识别算法更好地适应表情变化.     

基于多层感知机改进型Xception人脸表情识别

针对使用深度学习提取人脸表情图像特征时易出现冗余特征,提出了一种基于多 层感知机（MLP）的改进型 Xception 人脸表情识别网络 . 该模型将 Xception 网络提取的特征输 入至多层感知机中进行加权处理,提取出主要特征,滤除冗余特征,从而使得识别准确率得到 提升 . 首先将图像缩放为 48*48,然后对数据集进行增强处理,再将这些经过处理的图片送入 本文所提网络模型中. 消融实验对比表明：本文模型在CK+数据集、JAFFE数据集和MMI数据 集上的正确识别率分别为98.991%、99.02%和80.339%,Xception模型在CK+数据集、JAFFE数 据集和 MMI 数据集上的正确识别率分别为 97.4829%、90.476% 和 74.0678%,Xception+2lay 模 型在 CK+数据集、JAFFE 数据集和 MMI 数据集上的正确识别率分别为 98.04%、84.06% 和 75.593%. 通过以上消融实验对比,本文方法的识别正确率明显优于Xception模型与Xception+ 2lay模型. 与其他模型相比较也验证了本文模型的有效性.     

基于改进LTP算子和稀疏表示的人脸表情识别

为了提高实际应用中的人脸表情识别率,本文提出了改进局部三值模式算法(ILTP),并结合稀疏表达分类器(SRC)组成新的算法应用于人脸表情识别.该算法首先利用ILTP算法对人脸表情图像进行特征提取,然后将得到的图像顶层特征数据和图像底层特征数据作为SRC的输入,从而完成人脸表情分类.基于JAFFE数据的实验结果表明:改进算法的人脸表情识别率达70.48%,具有较高的可行性.     

基于表情及姿态融合的情绪识别

情绪识别指在使计算机拥有能够感知和分析人类情绪和意图的能力,从而在娱乐、教育、医疗和公共安全等领域发挥作用.与直观的面部表情相比,身体姿态在情绪识别方面的作用总是被低估.针对公共空间个体人脸分辨率较低、表情识别精度不高的问题,提出了融合面部表情和身体姿态的情绪识别方法.首先,对视频数据进行预处理获得表情通道和姿态通道的输入序列;然后,使用深度学习的方法分别提取表情和姿态的情绪特征;最后,在决策层进行融合和分类.构建了基于视频的公共空间个体情绪数据集(SCU-FABE),在此基础上,结合姿态情绪识别数据增强,实现了公共空间个体情绪的有效识别.实验结果表明,表情和姿态情绪识别取得了94.698%和88.024%的平均识别率;融合情绪识别平均识别率为95.766%,有效融合了面部表情和身体姿态表达的情绪信息,在真实场景视频数据中具有良好的泛化能力和适用性.     

基于深度学习的任意形状场景文字识别

场景文字识别的一个具有挑战性的方面是处理具有扭曲或不规则布局的文字.尤其是侧视文字和曲线文字在自然场景中较为常见,且难以识别.本文提出了一个带有灵活矫正功能的注意力增强网络,将其用于任意形状场景文字识别.此网络由基于卷积神经网络的文字矫正网络和基于注意力增强的识别网络两部分组成.矫正网络自适应地将输入图像中的文字进行矫正,降低识别难度,使基于注意力增强的序列识别网络直接根据矫正后的图像预测字符序列.整个模型可以进行端到端的训练,训练只需要图像和相应的文字真实标签.在各种公开数据集上进行了广泛的实验,包括SVT、ICDAR 2003和CUTE80等数据集,验证了此网络具有优异的性能.     

基于Bagging的LDA集成算法及其在人脸识别中的应用

针对线性判别分析(linear discriminant analysis,LDA)在处理人脸图像时对局部变化识别不稳定性的问题,提出一种基于Bagging的LDA人脸识别方法 Bagging LDA.首先将人脸图像集划分成若干子图像集,然后将Bagging应用于每个子图像集并融合初始图像集构建多个LDA分类器,选择其中一个分类性能最好的分类器作为集成基分类器,最后使用权重投票的方法将各个基分类器的分类结果进行组合.仿真结果表明,Bagging LDA算法识别性能好,精度较高,在图像遮挡、表情变化等条件下仍具有较强的稳定性.     

基于特征层融合与BP神经网络的人脸表情识别研究

针对图像处理中人脸表情识别率不高的问题,提出了一种基于特征层融合和神经网络的人脸表情识别方法。利用PCA对原图像进行特征降维处理得到维数较低的表情图像特征,再从粗到细策略对特征进行融合,最后采用神经网络的BP反向传播算法对训练集和验证集经多次迭代后训练好人脸表情模型。将收集到的表情数据进行实验仿真对比表明:本文提出方法与常用的分类算法相比,人脸表情识别率在本文提到的表情数据库上取得更好的效果。     

MeGAN:基于多任务增强生成对抗网络的图像合成

在计算机视觉领域,现有图像合成方法通常采用一对一的映射网络生成人脸表情,存在很大的建模局限性,难以表达丰富多样、复杂多变的人脸表情。为此,该文提出一种基于多任务增强生成对抗网络的图像合成方法。该方法构建多任务学习框架,改善人脸表情生成的多样性;通过设计双域卷积模块,利用具有补偿的频域信息改善空域特征映射;引入多尺度自适应激活函数,对不同特征进行自适应修正,进一步提升网络性能和特征映射效果。实验结果表明,该文方法能够同时生成多种逼真的人脸表情图像,与现有先进的图像合成方法相比,具有更好的定性和定量评估结果。     

基于GAN改进的人脸表情识别算法及应用

针对传统人脸表情识别算法存在的特征提取能力差、 识别率低和误分类率较高等问题, 提出一种基于生成对抗网络(GAN)改进的人脸表情识别算法. 利用生成对抗网络的博弈思想, 分别设计特征提取器、 特征合成器和判别器, 通过判别器与特征提取器之间的对抗训练, 不断增强特征提取器提取特征的能力和分类器对人脸表情识别的准确率, 并将其应用在工作人员工作状态智能监测中, 根据表情识别结果判断工作状态, 从而合理分配实验室资源, 提高实验室资源利用率. 改进算法在CK+数据集上多次实验的结果表明： 该算法有较高的鲁棒性, 能有效提高人脸表情识别率.     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

基于分数阶微分的卷积神经网络的人脸识别

近年来,人脸识别技术作为一种用来抓取生物面部特征信息以及匹配现有数据库中人脸数据的有力手段,以其无接触性、可远距离实施等优点在越来越多的场景中得到了应用.针对在自然无约束条件下,受到光照、姿势和背景环境等因素的影响,设备捕捉到的人脸图像在现有的人脸识别模型中识别率依然不足的情况,本文提出了一种基于分数阶微分改进的残差网络(ResNet)人脸识别方法.本方法通过在原有网络模型结构中增加注意力机制来增强人脸特征提取,融合不同通道和空间的信息提升网络的健壮性,同时利用分数阶微分对节点函数进行处理,增加卷积块提取更多的人脸细节信息,最后使用ArcFace损失函数来优化模型,在网络中进行迭代训练完成人脸识别.实验结果显示:改进后的网络模型在现有的一些数据集(如LFW、AgeDB-30、CFP-FP等)上表现出更好的识别性能和更强的鲁棒性.     

基于小数据集下贝叶斯网络建模的面部表情识别

针对面部表情识别过程中获得的特征样本稀少的问题,提出了一种基于小数据集下贝叶斯网络(BN)建模的面部表情识别方法。首先提取面部表情图像的几何特征和HOG特征,经特征融合和归一化等处理构成动作单元(AU)标签样本集;其次提出了用于面部表情识别的BN结构,并将定性专家经验转化为BN条件概率之间的约束集合,随后引入凸优化最大化求解完成BN模型参数的估算;最后利用联合树推理算法识别出面部表情。实验结果表明:在小数据集条件下,与支持向量机(SVM)、Adaboost和卷积神经网络(CNN)等人脸表情分类方法相比,该方法能够取得更准确的面部表情识别结果。     

基于小数据集下BN建模的面部表情识别

针对面部表情识别过程中获得的特征样本稀少的问题,提出了一种基于小数据集下贝叶斯网络(BN)建模的面部表情识别方法。首先提取面部表情图像的几何特征和HOG特征,经特征融合和归一化等处理构成动作单元(AU)标签样本集,其次提出了用于面部表情识别的BN结构,并将定性专家经验转化为BN条件概率之间的约束集合,随后引入凸优化最大化求解完成BN模型参数的估算,最后利用联合树推理算法识别出面部表情。实验结果表明：在小数据集条件下,与支持向量机(SVM)、Adaboost和卷积神经网络(CNN)等人脸表情分类方法相比,该方法能够取得更准确的面部表情识别结果。     

基于GBDT和HOG特征的人脸关键点定位

人脸关键点检测是计算机视觉领域的一个重要分支,其检测精度将在很大程度上影响人脸识别和表情分析的结果.提出一种新的解决人脸关键点检测问题的方法,即H-GBDT.H-GBDT是一种基于GBDT决策树和HOG特征的人脸关键点检测算法,该算法是将人脸图像的HOG特征作为GBDT的输入,关键点的真实坐标作为GBDT的输出来训练预测模型,在该过程中每个关键点将分纵坐标和横坐标两次在GBDT中做回归运算,并经过不断的调整GBDT和HOG特征的参数来训练出最佳预测模型.在BioID、LFW、LFPW三种数据集上验证H-GBDT算法的性能.BioID是正脸数据集,实验结果表明H-GDBT在该数据集上的检测效果最佳,其检测误差基本上可控制在2%以内;而LFW和LFPW是自然场景下的数据集,H-GBDT在这两种数据集上的检测误差一般在2%~4%之间.