基于多特征融合卷积神经网络的人脸表情识别

针对卷积神经网络特征提取不够充分且识别率低等问题,提出了一种多特征融合卷积神经网络的人脸表情识别方法。首先,为了增加网络的宽度和深度,在网络中引入Inception结构来提取特征的多样性;然后,将提取到的高层次特征与低层次特征进行融合,利用池化层的特征,将融合后的特征送入全连接层,对其特征进行融合处理来增加网络的非线性表达,使网络学习到的特征更加丰富;最后,输出层经过Softmax分类器对表情进行分类,在公开数据集FER2013和CK+上进行实验,并且对实验结果进行分析。实验结果表明:改进后的网络结构在FER2013和CK+数据集的面部表情上,识别率分别提高了0.06%和2.25%。所提方法在人脸表情识别中对卷积神经网络设置和参数配置方面具有参考价值。     

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.     

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.     

一种基于面部纹理特征融合的人脸表情识别方法

针对人脸表情识别领域受噪声和遮挡等因素影响识别率不高的问题,结合局部和全局特征,提出一种基于面部表情的情感分析混合方法。首先,通过将梯度直方图(HOG)与复合局部三元模式(C-LTP)融合来进行特征提取;其次,将HOG和C-LTP提取的特征融合到单个特征向量中;最后,采用多类支持向量机分类器把特征向量进行情感分类;最后,将提出的方法在3个公共表情图像数据库中与现有的表情识别方法进行对比实验。结果表明,提出的方法在MMI,JAFFE,CK+数据库上的正确识别率分别为98.28%,95.75%,99.64%,平均识别率比其他方法高出10%,优于其他现有的方法。提出的表情识别方法,可有效促进人机交互系统的发展和计算机图像理解的研究,对实现人体语言与自然语言的融合,以及语言与表情连接模型的建立与实现具有重要意义。     

基于PSO-CG优化深度信念网络的人脸表情识别

深度信念网络(Deep Belief Network,DBN)在人脸表情识别领域表现出较好的性能,但其在有监督学习阶段通常采用反向传播微调网络的初始参数空间,容易陷入局部最优值,不能找到网络的最优参数空间.提出一种粒子群算法(Particle Swarm Optimization,PSO)和共轭梯度(Conjugate Gradient,CG)融合进行优化DBN,将其用于人脸表情识别.首先,通过虚拟样本扩充训练样本数据集的方式构建了人脸表情数据集.然后,使用PSO寻找全局最优点,DBN的参数维度高,单独使用PSO优化网络参数空间,容易出现局部最优、收敛速度慢等问题,结果显示,PSO与CG相融可以加强搜索精度和加快收敛速度,获取更优模型参数.仿真结果表明,提出的方法在JAFFE和CK+这2个常用人脸表情数据库的识别率分别为94.52%和97.84%.     

一种多尺度可变形部件模型的人脸表情识别的研究

针对现有表情识别研究无法捕捉脸部关键部位特征,提出一种多尺度可变形部件模型(DPM)的人脸表情识别方法。首先,构建多尺度图像的特征金字塔,然后,用随机梯度下降算法训练人脸DPM模型,根据DPM模型中根滤波器与部件滤波器的响应值确定人脸关键部位位置,最后,提取关键部位的HOG特征,将获得的特征输入到分类器中训练。在CK+和JAFFE表情库上的验证结果表明,该方法在不同角度和光照强弱影响下对人脸均有较好的检测和定位效果,提取的人脸关键部位特征在计算速率和识别率上优于对比算法。     

一种多尺度可变形部件模型的人脸表情识别

针对现有表情识别研究无法精确捕捉脸部关键部位特征,提出一种多尺度可变形部件模型(DPM)的人脸表情识别方法。首先构建多尺度图像的特征金字塔,然后用随机梯度下降算法训练人脸DPM模型,根据DPM模型中根滤波器与部件滤波器的响应值确定人脸关键部位位置,最后提取关键部位的HOG特征,将获得的特征输入到分类器中训练。在CK+和JAFFE表情库上的验证结果表明,该方法在不同角度和光照强弱影响下对人脸均有较好的检测和定位效果,提取的人脸关键部位特征在计算速率和识别率上优于对比算法。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于改进八度卷积算法的人脸表情识别

针对目前人脸表情识别存在准确率不高、模型复杂和计算量大的问题，文章提出了一种基于八度卷积改进的人脸表情识别模型(OCNN):使用改进的八度卷积进行特征提取，提高对细节特征的提取效果，降低特征图的冗余，在不增加参数的同时减少运算量，以提高特征提取性能；利用DyReLU激活函数来增强模型的学习和表达能力；使用自适应平均池化下采样层代替全连接层，以减少参数；将模型在大规模数据集上进行预训练，并在FER2013、FERPlus、RAF-DB数据集上进行模型性能验证实验。实验结果表明：训练后的模型权重为10.4 MB,在人脸表情识别数据集FER2013、FERPlus和RAF-DB上的准确率分别达到73.53%、89.58%和88.50%;与目前诸模型相比，OCNN模型的准确性高且计算资源消耗低，充分证明了该模型的有效性。     

基于DenseNet的人脸图像情绪识别研究

针对人脸情绪识别类内差异大,类间差异小的特点,结合学生人脸图像的线上课堂情绪识别的场景,提出多尺度空洞卷积模块提取不同空间尺度特征的稠密深度神经网络模型,实现自然场景下学生人脸图像识别.该模型主要由多尺度空洞卷积和DenseNet神经网络两个子网络组成,其中多尺度空洞卷积由不同空洞率的四分支网络提取不同尺度特征,空洞卷积减小特征图尺寸,减少DenseNet内存资源占用;最后在DenseNet网络中结合Adam优化器和中心损失函数.使用稠密网络的旁路连接,加强情绪特征传递和复用.研究结果表明：基于稠密深度神经网络的情绪识别网络模型能够有效提高情绪分类的准确率,模型对预处理后的FER2013+数据集识别准确率达到93.99%,可为线上教学反馈提供技术支持.