基于剪枝极限学习机的表情识别

为了缩短神经网络方法在人脸表情识别训练阶段所消耗的时间,提出了一种基于剪枝极限学习机的人脸表情识别方法.该方法随机为输入层与隐层单元间的连接分配权重,并以此求出相应的隐层单元与输出单元之间的连接系数,以达到一次性确定神经单元间系数的效果,避免了深度学习和神经网络因反复修改网络系数造成的高耗时;接着利用隐层单元与分类结果的相关性,删掉那些相关性较低的隐层单元,从而自动构建网络结构;通过多次迭代选取分类结果最好的网络参数作为最终的网络参数;最后构建多个极限学习机,用投票机制实现最终的分类.实验结果表明,该方法在特定人脸识别和非特定人脸识别都能得到较好的识别率,且大大降低了训练所用时间.     

基于改进的主成分分析法的矿工表情识别

针对传统的矿工面部表情识别方法中对矿工面部表情进行特征提取的时间较慢且识别准确率不高的问题,以主成分分析法为基础,运用Fisher线性判别法对传统的主成分分析法进行改进。首先在主成分分析法的基础上增加一个类间离散矩阵,使其投影后不同类别之间特征点的距离更大,同一类别之间特征点的距离更加紧凑,对矿工面部表情图像特征提取的结果更具有代表性和针对性;然后运用径向基神经网络将低维非线性可分的矿工面部表情图像对应的特征矩阵映射到高维空间并使其线性可分,从而实现对矿工面部表情的识别和分类。实验结果表明,所提出的方法对矿工面部表情识别的识别率为89.0%,优于传统矿工面部表情分类识别算法,在矿井安全监控、疲劳驾驶等领域有较好的应用前景。     

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.     

基于脊波变换的线性判别分析人脸识别方法

在线性判别的基础上提出了一种基于脊波变换的线性判别分析算法,有效地解决了传统线性判别分析算法的小样本问题.首先利用Radon变换将二维人脸图像转换为投影矩阵,然后进行小波变换获取脊波系数矩阵,最后采用线性判别分析方法提取特征后作分类.在ORL人脸数据库上的比较实验结果证实了该算法的有效性.     

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。     

一种改进的Jacobi正交多项式的BP神经网络算法

 根据多项式理论,构造一种以Jacobi正交多项式作为隐层神经元激励函数的BP(back-propagation)神经网络模型.针对该网络,提出一种改进算法即隐层神经元数可快速确定的权值直接确定算法.首先介绍正交基函数和Jacobi多项式的定义,以及BP神经网络的基本原理.然后进行网络隐层数设计及其隐神经元数的确定,且设置各层连接权值、给出改进算法的步骤.最后,将其与传统矩阵迭代法和Levenberg-Marquardt训练算法进行比较.计算机实验结果表明,该算法具有比传统的BP迭代法更快的计算速度,并且能够达到更高的工作精度.     

完全判别信息Fisherfaces人脸识别算法

针对传统Fisherfaces算法存在丢失部分样本信息的问题,提出一种改进的Fisherfaces算法——完全判别信息的Fisherfaces算法(简称CDI_Fisherfaces).首先说明传统Fisherfaces算法的最优判别矩阵是不相关判别(uncorrelated discriminant,简称UD)矩阵,通过施加正交约束条件,得到正交判别(orthogonal discriminant,简称OD)矩阵.然后在这两个判别矩阵的基础上,添加主成分分析(PCA)阶段中总体散度矩阵St未被考虑的非零特征值对应的特征向量,组成新的判别矩阵.这两个新的判别矩阵不仅包含了样本的全部特征,还分别保持了原先判别矩阵的不相关性和正交性.最后通过在ORL和YALE人脸库上实验,发现完全判别信息Fisherfaces算法识别率高于传统的人脸识别算法,说明本文中算法的优越性.     

基于属性加权的主成分分析算法

基于主成分分析提出一种通过属性加权的方式对特征进行预处理的改进算法,实现特征选择与特征提取的结合,从而降低计算复杂度并提高分类准确度。属性加权是通过量化样例与分类标记之间的相互依赖关系,即结合了线性判别分析的映射思想,线性拟合样例与标记,得到一组反映各属性对分类贡献大小的权值w。通过将改进算法与主成分分析法、线性判别算法、局部保持投影算法做了分类准确度、计算时间的综合实验比较,证明了改进算法的有效性。     

基于KPCANet和线性判别分析的表情识别

针对目前多数表情识别算法都是基于浅层特征的,很难达到良好的识别效果,并且核主成分分析网络(PCANet)网络存在提取到的表情特征维数比较高致使识别时间较长和分类效率较低的问题,受到深度学习模型PCANet的启发,提出了一种结合核主成分分析网络(KPCANet)和线性判别分析(LDA)的表情识别算法.首先,利用基于KPCANet模型获取训练样本及测试样本的深层特征;然后,用LDA监督层对KPCANet模型获取的深层特征对表情图像特征进行监督投影,从而使表情特征具有类别区分性;最后,将经LDA投影的特征矩阵输入支持向量机(SVM)中对表情特征进行训练和分类.提出的KPCANet-LDA算法模型在人脸表情数据库CK+和JAFFE上进行实验,实验结果表明提出的算法具有良好的鲁棒性且识别率高于其他对比算法.     

基于降维的堆积降噪自动编码机的表情识别方法

堆积降噪自动编码机是一种典型的深度学习模型,它能够刻画数据丰富的内在信息,具有较强的特征学习能力。基于主成分分析（principal component analysis,PCA）技术和堆积降噪自动编码机（stacked denoising autoen-coders,SDAE）模型,提出一种新的表情识别算法PCA＋SDAE。该算法对人脸图片进行裁剪及归一化等预处理,采用主成分分析技术对人脸特征进行线性降维,再利用堆积降噪自动编码机逐层进行特征学习并同时实现对人脸表情数据的非线性降维,可以得到更好的、维度更低的表情特征,并据此进行表情分类。对PCA＋SDAE算法的仿真测试实验结果表明,其综合性能比其他的基于深度学习模型的表情识别方法更好,同时与传统的非深度学习表情识别方法相比,它具有更高的表情识别正确率。     

一种多角度的人脸识别方法

针对传统人脸识别方法的识别率受角度变化影响大的缺点,提出了一种多角度的人脸识别方法.首先用多个不同角度的主动表观模型(AAM)估计人脸旋转角度;然后通过多角度模型合成正面人脸;最后采用线性判别分析法(LDA)获取最佳分类特征,并对其进行识别.实验结果表明:与主成分分析法(PCA)相比,该方法对不同角度的人脸具有更高的识别率.     

改进的线性判别回归分类人脸识别算法

对线性回归分类算法进行了改进。考虑了线性回归分类算法中没有考虑的类间信息,通过选择类模式的投影方向判别不同类的模式,不同类的模式互相远离,相同类的模式尽可能靠近来估计投影矩阵;再利用投影矩阵将训练图像及测试图像投影到各类的特征子空间;最后,计算出测试图像与训练图像间的距离,利用K-近邻分类器完成人脸的识别。在FERET人脸数据库上进行实验验证。实验结果表明,相比其他回归分类算法,本算法取得了更好的识别效果。     

基于改进核判别算法的视频运动人脸图像相似表情识别研究

传统的视频运动人脸图像相似表情识别方法,利用小波变换提取人脸特征,后续特征分解效果不理想,导致表情识别准确度较低。为此,提出基于改进核判别算法的视频运动人脸图像相似表情识别研究。采用积分图法提取视频中的人脸表情,得到特征矩形区域。结合核判别算法对特征矩形区域进行分解得出表情特征矢量。结合弹性模板匹配法,计算和匹配表情特征矢量,得出匹配最优的表情,完成人脸图像相似表情识别。为验证所提方法的应用性能,设计仿真实验。实验结果表明,与传统方法相比,所提方法的表情识别准确度更高。本文设计识别方法具有应用有效性,为相关领域提供可靠依据。     

深度信念网在油井功图识别中的应用

针对油井功图识别中存在的一些问题,提出了一种基于深度信念网的油井功图识别方法。首先通过实验对比的结果确定网络结构,然后使用无监督学习的手段初始化网络权值,最后用有监督的误差反向传播算法微调整个网络,从而实现功图图像到油井工况之间的映射关系。实验结果表明:深度信念网能够自动学习功图特征,提高识别效率;与传统分类模型相比,使用深度信念网进行油井功图识别的过程更简便,更能够达到理想的效果。     

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。     

一种改进的多层前馈神经网络结构研究

通过将传统多层前馈神经网络结构改造为具有跨层连接的网络,提出了相应的多层前馈神经网络改进算法.通过分析网络误差函数,从理论上证明了:相对于无跨层连接网络,有跨层连接网络能以更加简洁的结构逼近理想状态.最后,用一个隐层神经元解决了传统网络必须用两个隐元才能解决的异或问题.     

局部线性模型在小波神经网络中的应用

把一种局部线性模型应用于小波神经网络中,把网络隐层与输出层之间的直接连接权值用一种线性模型来代替以减少隐层节点数目.对带局部线性模型的小波神经网络与一般小波神经网络的性能进行比较,试验结果证明了带局部线性模型的小波神经网络的优越性.     

多维离散傅立叶变换神经网络函数逼近

利用多维离散傅立叶变换原理构造新颖的神经网络模型用于函数逼近,网络结构为分层前向网络。给出了网络的学习算法,网络的大部分权值都是固定的,只有输出层与最后隐层之间的权值需要调节。     

改进型稀疏表示的图像分类方法

在图像分类问题中,传统的稀疏表示算法只考虑样本整体信息,忽略样本局部结构信息;此外,稀疏表示算法要求测试样本与训练样本的人脸图像要一致对齐,当姿势与角度发生变化时分类效果明显下降.针对这些问题,提出了一种改进L2正则化稀疏表示算法.首先,通过求解最小二乘法得到稀疏系数矩阵;然后,计算样本重构残差,用稀疏度量公式量化样本之间的稀疏性;最后,在保持样本稀疏性的同时增加了样本类与类之间的局部判别信息,进而提高样本的分类性能.为了验证算法的有效性,在ORL、FERET和FEI人脸数据库与Stanford 40 Actions数据库和Caltech-UCSD Birds (CUB200-2011)数据库上进行实验.实验结果表明,该方法在不同的人脸数据库和扩展视觉数据集上取得的分类结果均优于传统稀疏表示算法及其他常用分类算法.     

前向多层感知器网络的逐层学习算法

提出一种改进的前向多层网络逐层学习算法,隐层神经元的输出函数由具体系统的样本输出值确定,先让前面的隐层及输入层的权值确定不变,然后对当前层的权值进行,前一隐层输出值地误差进行估计以得到新的输出值,将其作为临时教师信号用来训练前一层的权值,把每一层权值的改变量和输出值误差的估计转变为最小二乘问题,逐层处理,直到输入层,数字仿真和具体应用的结果表明了算法的有效性。