基于弹性模反的嘴巴轮廓提取

本文提出了一种改进的更符合唇形的嘴巴弹性模板，结合一组利用了原图像灰度信息，边缘及谷值区域信息的能量函数。     

非均匀光照下的人脸表情多状态检测与分类

提出了一个用改进的不易受光照影响的ASM(Illum ination Insensitive-Active Shape Model,简称I2-ASM方法)进行眼睛和嘴巴轮廓检测以及用组合方法进行眼睛和嘴巴状态分类的算法。对有丰富表情的人脸图像进行实验,结果表明,提出的算法即使在非均匀光照下也能取得较好的轮廓检测和状态分类结果。     

雄燕尾羽越来越漂亮了

科学家最近发现,雄性家燕尾部两侧羽毛的长度在过去的20年里增加了10％,这可能是迄今为止在野生世界中观察到的最富有戏剧性的进化性改变。此前科学家曾注意到,在经历了大旱年代之后,加拉帕戈斯群岛上的燕雀的喙(嘴 巴)发生了改变。不过,这一改变的程度同雄性家燕的尾羽相比简直是小巫见 大巫。先前的实验结果显示,雌性家燕钟情那些尾羽修长、漂亮的雄性。     

基于弹性模板的嘴巴轮廓提取

本文提出了一种改进的更符合唇形的嘴巴弹性模板，结合一组利用了原图像灰度信息，边缘及谷值区域信息的能量函数，对微张或抿紧的嘴巴都能使模板与其很好匹配．此外，本文提出的保守的能量下降算法及归一化能量函数简化了经验参数的选择．实验结果证实了本方法的正确性及有效性．     

基于多任务CNN的人脸活体多属性检测

人脸的活体检测是人脸识别系统的安全性保证,传统交互式活体状态识别中通常先进行关键点检测,再进行人脸活体状态判断,无法利用活体属性之间关联性同时进行多种活体属性检测。基于多任务卷积神经网络(convolutional neural network,CNN),提出了一种直接从输入人脸中同时判断人脸的眼睛睁闭状态、嘴巴的张闭状态、头部点头状态和摇头中左右侧脸状态四个任务的活体检测方法。该方法利用多层CNN强大的特征提取能力、多任务的并行能力和四个任务中的关联性,直接提取人脸照片中的特征信息,判断人脸多个活体属性。实际应用结果表明,这种基于多任务CNN方法的准确率在四个任务中均可达95%以上,甚至达到98%以上,无论检测的准确率还是同时检测多个任务的能力均明显优于传统的人脸活体属性检测方法。     

基于Gabor小波和模糊支持向量机的嘴巴识别方法

提出了一种结合gabor滤波和模糊支持向量机进行嘴巴状态检测的方案.首先用gabor小波对人脸图像进行特征提取,从而得到嘴巴特征图像,然后在特征空间中,用FSVM设计嘴巴状态分类器.实验结果表明,该算法能够取得较好的分类效果.