基于人脸局部特征和SVM的表情识别

提出了一种基于人脸局部特征的表情识别方法．首先选取人脸重要的局部特征,对得到的局部特征进行主成分分析,然后用支持向量机（SVM）设计局部特征分类器来确定测试表情图像中局部特征,同时设计支持向量机（SVM）表情分类器,确定表情图像的所属类别．对JAFFE人脸图像数据库进行仿真实验．结果表明,该方法要优于一般的基于整体特征的人脸表情识别方法．     

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SVM信息融合方法的人脸表情识别

提出一种基于支持向量机(SVM)的信息融合方法进行人脸表情识别．该方法首先对 预处理后的人脸图像进行局部特征和整体特征的提取;然后用最小距离分类器、最近邻距离 分类器、最大相关分类器、径向基函数(RBF)神经网络分类器进行表情识别;最后构造一 个三阶的多项式支持向量机对多个分类器的输出进行决策融合以达到人脸表情识别的目的．     

一种基于剪切波变换的人脸表情识别算法

剪切波变换是一种新型多尺度几何分析方法.利用剪切波变换良好的方向敏感性和各向异性,提出了一种基于剪切波变换的人脸表情识别方法.实验表明,该方法在日本JAFFE和加拿大瑞尔森RML人脸表情数据库上的识别率分别达到了98.58％和95.83％.     

基于SVM的新生儿疼痛表情识别

近十年来新生儿疼痛引起医护人员的广泛关注.由于新生儿不能自述疼痛的感受,疼痛评估成为新生儿科学中最具挑战性的一个难题.新生儿"疼痛面容"(蹙眉、挤眼、鼻唇沟加深、张口)被认为是最可靠的疼痛指标,且持续时间最长,因而被国际上常用的新生儿疼痛评估工具作为评估指标.然而,这些疼痛评估工具往往受到临床医护人员主观因素的影响.文中旨在解决上述问题,提出利用支持向量机(SVM)技术对新生儿疼痛与非疼痛面部表情进行分类识别.对210幅照片的表情图像进行了研究,比较了线性核函数SVM、多项式核函数SVM(d=2,3,4)以及径向基函数SVM等5种不同分类器的性能.实验结果表明,阶数d=3的多项式核函数SVM分类器的性能最佳,对疼痛和非疼痛表情分类的识别率达到93.33%,对疼痛与安静表情的分类识别率为94.17%,对疼痛与哭表情的分类识别率为83.13%,初步具备了在新生儿疼痛评估中的潜在应用价值.     

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...     

基于SKLLE和SVM 的人脸表情识别

为有效提取人脸表情图像特征并降低特征向量维数,该文提出一种基于监督核局部线性嵌入(Supervised Kernel Locally Linear Embedding,SKLLE)和支持向量机(Support Vector Machine,SVM)相结合的降维和分类方法.利用人脸表情图像数据本身的非线性流形结构信息和标签信息实现维数约简,提取低维嵌入特征用于人脸表情识别,采用支持向量机代替传统的K近邻分类器.基于JAFFE人脸表情图像库和Cohn-Kanade人脸表情数据库的实验结果表明,该方法可以很好地实现维数约简,达到较高的识别率,有效地提高了人脸表情识别的性能.     

双目标精英策略的三维人脸表情特征筛选及识别

非支配遗传算法(NSGA-Ⅱ)对双目标的特征筛选可以取得很好的效果,但该算法在优化过程中会出现局部收敛和早熟问题.为此,文中提出了改进的NSGA-Ⅱ特征筛选算法:先对父代种群运行第1次精英策略,从中筛选出父代精英种群;然后将筛选后的父代精英种群与子代种群构成联合种群,并对联合种群运行第2次精英策略获得下一父代种群.在利用文中算法对三维人脸表情的候选特征进行筛选后,通过概率神经网络算法对筛选特征进行分类识别.结果表明,文中算法可以在很大程度上解决传统NSGA-Ⅱ的局部收敛和早熟问题,并能有效地提升表情识别的准确性.     

基于多特征集成分类器的人脸表情识别

提出基于多特征集成分类器的人脸表情识别新算法。新算法首先对预处理后的人脸表情图像通过3种不同的特征提取方法来提取不同类型的表情特征,然后对不同特征构造不同的分类器,最后构造一个基于神经网络的集成分类器模型,对这3个分类器的输出进行决策融合,从而实现人脸表情的最终识别。在JAFFE人脸表情数据库中的试验结果表明,所提算法的识别效果优于单个特征和单一的分类器。     

基于多特征与卷积神经网络的人脸表情识别

提出一种多特征与卷积神经网络相结合的人脸表情识别方法。先对人脸表情图像进行预处理,根据人脸面部"三庭五眼"的特征和人脸的几何模型对图像进行裁剪,采用双三次插值法对图像进行缩放。然后提取样本的局部方向模式、二维离散小波变换、Sobel算子三种特征。将这三种特征以三通道图像的形式输入卷积神经网络中进行自适应融合,融合后的特征通过Softmax层进行分类。在CK+数据库的识别率为99.51%,在RAF-DB的识别率为72.1%,识别率都有所提升,验证了所提方法的有效性。     

一种深度自编码器面部表情识别新方法

为解决面部表情特征维度高的问题,该文提出了一种基于深度学习自编码器的表情识别新方法,该方法利用深度自编码器在多层隐层上进行特征选择,能够在较低维度上表示高维度的面部特征.首先采用定向梯度直方图从面部表情的选定区域提取特征,然后在多个层面上使用深度自编码器,得到最优编码特征,降低特征维度,最后使用支持向量机模型对降维特征进行分类.实验表明,与其他现有特征选择和降维技术相比,该文方法提取的特征优于其他特征,并能够有效实现面部表情识别.     

基于稀疏表示的快速三维人脸识别方法

随着计算机技术和三维成像技术的发展,三维人脸识别因不易受光照、装扮变化的影响成为人脸识别和身份验证的新趋势,但是对于表情、姿态变化其识别率还是有待于改善,时间开销较长.本文提出基于稀疏表示原理,对人脸重要的特征鼻尖点进行提取,采用最近邻分类器进行分类识别.实验结果表明,对表情变化等具有较高的鲁棒性和识别效果,且时间开销极小,优于传统的三维人脸识别方法.     

基于SVM的人脸识别方法研究

在人脸的特征提取及分类识别实验中,使用K-L变换提取了人脸图像的数字特征,用SVM进行分类识别,对40个人的280幅图片构成的训练样本集构造基于支持向量分量的两个不同核函数的分类器。对这40个人的其他120幅图片构成的测试样本集分类,两种分类器分别取得了9.83%和10.08%的分类错误率,分类器达到了很好的效果。     

基于非负矩阵分解的面部表情识别研究

提出了一种基于非负矩阵分解与支持向量机相结合的面部表情识别方法。使用直方图均衡化等方法对人脸图像进行预处理,使用非负矩阵分解算法进行表情特征提取,采用支持向量机对面部表情进行分类。以Matlab为仿真工具,在日本女性人脸表情数据库上测试。取得了66.19％的识别率。     

基于K-L变换与SVM的数学符号识别

为了实现印刷体数学表达式的自动识别,对印刷体数学符号的识别方法进行了研究,提出了一种基于K-L变换和支持向量机的符号识别方法.该方法首先对数学符号图像进行预处理,然后对其归一化之后的图像使用K-L变换进行特征降维,最后使用支持向量机分类器对其进行识别.对同济大学版的<高等数学>上册书中出现频率最高的112个基元或符号的识别率可以达到96%以上,实验结果表明,该方法比近年报道的方法有明显优势.     

基于深度学习的面部表情识别方法综述

人脸表情识别就是让计算机按照人类的思维理解表情,是人机交互的重要组成,然而随着深度学习的迅速发展,深度学习技术在人脸表情领域的研究也成为研究热点,所以对深度学习技术在表情识别中的应用及取得的成果进行分析。首先总结了几种常用表情数据集;然后从特征提取和特征分类两方面对基于深度学习的表情识别方法进行了分类,并从网络改进方面分析了基于深度学习的表情识别中的几种网络改进方法;最后阐述了表情识别这一领域中面临的挑战和未来发展。     

基于正态分布变换的多位姿手掌部三维静脉识别

研究基于三维点云匹配的多位姿手部静脉识别.考虑手部静脉点云的特点,结合双目视觉原理,建立了一种结合三维特征阵列和静脉点云的扩展数据库,提出了一种基于三维特征阵列的静脉点云粗配准算法.在双目静脉图像中提取稳定特征并重建为三维特征,根据三维特征匹配结果初步消除静脉点云位姿差异.并采用改进的正态分布变换算法完成静脉点云匹配.实验表明,本文算法能够有效提高多位姿下的静脉点云识别率,即使手部位姿变化范围较大时,系统的识别率仍超过90%.      

一种面向移动端的浅层CNN表情识别

移动端的表情识别有巨大需求,但是受算力限制,主流深度神经网络无法直接移植.为此,设计了一个浅层网络,在节约计算量的同时保证了识别率.网络中使用三组堆叠而成的卷积层,有助于增大感受野,便于更好地提取特征,这是提升识别率的关键;使用全局平均池化层,避免引入额外的全连接层,大幅降低参数量,在训练样本不足的情况下,降低模型过拟...