基于区域块LBP特征的人脸表情识别

人脸表情识别是模式识别与人工智能领域的研究热点之一,针对传统LBP方法的不足,提出了一种基于区域块LBP的人脸表情识别方法:先在人脸面部分割出与表情相关的眉毛、眼睛、鼻子和嘴巴等关键区域;再从这些关键表情区域提取表情特征,避免了在整个面部提取特征耗时的缺陷,同时有效地降低了特征维数;最后利用最近邻分类器给出识别结果,通过实验验证了本文算法在识别性能和时间性能上的优势.     

面孔表情进入意识的时间比较——来自双眼竞争的证据

采用连续闪烁抑制范式,以7种基本面孔表情(中性、高兴、厌恶、恐惧、悲伤、惊喜、愤怒)为实验材料,考察何种面孔表情能更快进入个体的意识层面.研究中给被试一只眼呈现动态噪声图片,另一只眼呈现面孔目标刺激图片.面孔图片会在左上、左下、右上、右下4个位置随机出现.要求被试看到面孔后立刻判断面孔的位置.实验记录从试开始到被试按键这段时间,即记录了刺激突破抑制阶段进入意识层面所需要的时间.结果发现,愤怒面孔比中性面孔更快进入意识,表明人们可能对愤怒面孔更加敏感.     

基于视频图像的面部表情识别研究综述

面部表情识别是机器理解人类情感的前提,是改善人机交互关系的关键。首先,按照视频图像中面部表情识别的流程,综述了表情识别的3个阶段:人脸检测、表情特征提取、表情分类。重点介绍了表情特征提取和表情分类中所采用算法的原理、优缺点及应用场合,并给出了部分算法的识别率对比结果。其次,对人机交互中的微表情识别及表情识别的鲁棒性研究也做了介绍。最后总结了面部表情识别研究中存在的问题及难点,探讨了该领域值得进一步研究的问题。     

基于LBP特征和稀疏表示的新生儿疼痛表情识别

面部表情被认为是新生儿疼痛评估的可靠指标。文中提出一种基于加权局部二元模式(LBP)特征描述符和稀疏表示分类器的新生儿疼痛表情识别方法。首先,经归一化后的面部图像采用一个特征向量来描述,这个特征向量是通过串接组合所有局部图像块的LBP特征图的加权直方图所得到的直方图序列。然后,采用主成分分析(PCA)方法对训练样本及测试样本图像的特征向量进行降维。最后,采用基于稀疏表示的分类器将测试样本图像的表情分为4类:平静、哭、轻度疼痛、剧烈疼痛。文中研究目的是通过利用基于计算机的图像分析技术来辅助临床医生评估新生儿疼痛。在新生儿面部图像数据库上进行的实验结果表明了该算法的有效性,表情分类的平均识别率高达84.50%。     

非临床社交焦虑者对情绪性眼睛的加工机制

考察了非临床社交焦虑者对情绪性眼睛的加工机制.将轻蔑和快乐面孔表情中的上半部分和下半部分进行重新组合,形成眼睛-嘴巴一致、眼睛-嘴巴不一致、眼睛-无嘴巴3种类型的面孔.在眼睛部位事先提供注视线索,要求被试判断随后出现的面孔中眼睛是否是快乐的.结果发现,高低社交焦虑被试在眼睛-嘴巴一致的条件下(相对于不一致条件),对眼睛的情绪类型判断的正确率更高.高社交焦虑被试,对快乐眼睛的加工受到了嘴部情绪的显著影响,而对轻蔑眼睛的加工则不受嘴部的影响;而低社交焦虑被试没有表现出这种交互作用.研究表明,个体对情绪性眼睛的加工受到了嘴部情绪信息的显著影响,高社交焦虑个体对轻蔑眼睛的加工具有显著的回避倾向.     

最好可能自我想象对中性人脸表情识别的影响

考察了最好可能自我想象对中性人脸表情识别的影响.选取大学生被试56名,随机分为最好可能自我想象组(BPS组)和对照组.BPS组进行30 min的最好可能自我想象并写下相关内容,对照组在同样的时间内回忆并写下自己过去一周发生的事情.干预后,BPS组的抑郁自评分数显著降低,正性情绪分数显著提高,负性情绪分数显著降低.干预后,BPS组和对照组对中性面孔的情绪价评定显著上升.结果表明,最好可能自我想象可以有效提升个体的积极情绪,并促使个体对中性面孔的感知更偏向积极.     

基于注意力机制的人脸表情识别网络

人脸表情识别一直是计算机视觉领域的一个难题.近年来,随着深度学习的飞速发展,一些基于卷积神经网络的方法大大提高了人脸表情识别的准确率,但未能充分利用人脸图像中的信息,这是由于对于面部表情识别有意义的特征主要集中在一些关键位置,例如眼睛、鼻子和嘴巴等区域,因此在特征提取时增加这些关键位置的权重可以改善表情识别的效果.为此...     

基于深度学习的人脸表情识别研究与应用

人脸面部表情是人机交互和非言语交际的有效方式,对面部表情进行识别并分析,可以获取很多信息,在安全监控、人工智能、军警、心理学等领域有着许多不同的应用。本研究基于深度学习对人脸表情识别进行深入研究,采用Open CV内置算法进行人脸检测,利用卷积神经网络进行面部表情识别,实现对人脸最基本的7种表情包括愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中立分别进行识别。与传统的人脸表情识别方法相比较,卷积神经网络的识别精度高,训练参数少,在面部表情特征表现明显的情况下,对7种表情的识别精度都能超过70%以上。     

自然场景下基于数据增强的人脸表情识别研究进展与趋势

由于自然场景下的人脸表情存在光照、姿态、种族、性别等因素的影响,人脸表情图像数据集的多样性才是能够保障自然场景下的人脸表情识别的性能高效提升的关键.基于自然场景下的人脸图像数据增强的方法,通过增加人脸表情数据集的多样性,提升在自然场景下人脸表情识别的精确度.对最近人脸表情识别的数据增强方法进行了总结和分析,并对在自然场景下人脸表情识别数据增强的发展趋势进行了展望.     

表情的非对称搜索:有关局部特征及情绪性的探索

考察了表情的非对称搜索现象是否基于表情的整体特征(群组特征).实验一中16名被试(男女各半)在分别包含1、6和12幅表情照片的画面中搜索一个指定的靶子.画面有4类:A类的靶子是正性表情,干扰项是中性表情;B类的靶子是中性表情,干扰项是正性表情;C类的靶子是倒立正性表情,干扰项是倒立中性表情;D类的靶子是倒立中性表情,干扰项是倒立正性表情.结果显示,对正性表情的反应时快于对中性表情的反应时(F(1,23)=221.19, P<0.000),且与正立或倒立无关并表现出"倒脸效应".实验二中另16名被试做了类似的搜索任务,但是将正性表情换为负性表情.结果显示,对负性表情的反应时较快(F(1,23)=34.29, P<0.000),且与正立或倒立无关同样表现出"倒脸效应".两个结果表明,对表情的搜索基于表情面孔的局部特征而非群组特征且受环境的影响.此外,还分析讨论了非对称现象是否具有"情绪性"特点,认为表情面孔的局部特征激活的情绪性反应可能是导致搜索非对称现象的一个主要原因.