CN103971095B - 基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 - Google Patents
基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 Download PDFInfo
- Publication number
- CN103971095B CN103971095B CN201410195403.6A CN201410195403A CN103971095B CN 103971095 B CN103971095 B CN 103971095B CN 201410195403 A CN201410195403 A CN 201410195403A CN 103971095 B CN103971095 B CN 103971095B
- Authority
- CN
- China
- Prior art keywords
- expression
- lbp
- picture
- width
- sparse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于多尺度LBP和稀疏编码的大规模人脸表情识别方法,首先建立大规模的人脸表情数据库,使用随机抽样技术生成训练数据库与测试数据库,其次使用多尺度的LBP特征来表示人脸的表情特征,进而生成稀疏编码方法所需要的字典,通过对新的表情样本求解最优稀疏系数,并累加不同表情的稀疏系数来识别表情样本,本发明利用多尺度LBP特征获取鲁棒性强的特征表示方式,利用稀疏编码解决了大规模人脸表情识别中的稀疏性问题,验证了基于多尺度LBP和稀疏编码的大规模人脸表情识别方法的有效性。
Description
技术领域
本发明涉及一种人脸识别方法,尤其是人脸表情的识别方法。
背景技术
人脸表情识别是模式识别、人机交互和生物特征识别等领域涉及的重要研究方向,目前已成为国内外研究的热点。人类最常见的六种基本表情为高兴、悲伤、愤怒、惊讶、恶心与恐惧。不仅人脸的外形存在较大的变化,而且六种表情之间也存在细微的变化。因此,表情识别需要忽略不同人脸的变化,着重识别人脸表情间的差别。文献1“X.Wang,XFeng,and J Peng.A Novel Facial Expression Database Construction Method basedon Web Images.In Proc.of the Third Intl.Conf.on Internet Multimedia Computingand Service(ICIMCS'11).2011,pp124-127”提出构建大规模人脸表情数据库的方法,对六种基本表情,从互联网上下载2000幅图片,并通过交互式过滤,得到每种表情的500幅图片,以此构成大规模人脸表情数据库。该方法构建了大规模的人脸自然表情数据库,增加了表情样本容量,但是数据库中人脸的变化比较大,传统的表情特征对人脸变化较敏感,且容易受人脸遮挡,光照变化的影响,具有较差的鲁棒性;同时k近邻等传统的表情识别方法在训练样本中难以找到比较相似的表情,大规模的表情样本具有较大的稀疏性,影响了识别的准确率。
发明内容
为了克服现有技术的不足,本发明提出一种基于多尺度LBP(Local BinaryPattern,局部二值模式)和稀疏编码的大规模人脸表情识别方法,其目的是以多尺度LBP和稀疏编码的方式提高表情识别的鲁棒性,解决大规模人脸表情特征的稀疏性,进而提高表情识别的准确率。
为解决大规模人脸表情识别问题中的鲁棒性和稀疏性问题,本发明提出基于多尺度LBP和稀疏编码的人脸表情识别方法。该方法的思路如下:首先建立大规模的人脸表情数据库,使用随机抽样技术生成训练数据库与测试数据库;其次,使用多尺度的LBP特征来表示人脸的表情特征,进而生成稀疏编码方法所需要的字典;最后,对新的表情样本求解最优稀疏系数,通过累加不同表情的稀疏系数来识别表情样本。
本发明解决其技术问题所采用的技术方案主要包括以下步骤:
(1)大规模表情数据库的建立
针对每种表情,每种表情下载N1幅图片,N1为任意整数,六种表情共6*N1幅图片,并通过使用AP聚类算法对每种表情图片进行聚类,人工选择出与每种表情最一致的图片聚类中心,每种表情得到N2幅图片,N2为任意整数,构成大规模人脸表情数据库,该大规模人脸表情数据库共有6*N2幅表情图片;利用AdaBoost方法对大规模人脸表情数据库中的图片进行人脸检测和归一化处理;从每种表情的N2幅图片中随机抽取M幅图片作为该类表情的训练数据库,所有表情组成的训练数据库包含6*M幅图片,剩余的该类表情图片作为测试数据库;
(2)多尺度LBP特征提取
将人脸按照水平方向和垂直方向划分为n×n等大小的子块,n为任意整数,针对每个子块分别计算其多尺度的LBP直方图,计算方法如下:每个像素点某尺度上的LBPP,R值为:
其中,gc为像素点的灰度值,gp为该点半径为R的圆上P个等距离像素点的灰度值,p=0,…,P-1,这些灰度值对应的是对称圆形邻域,当gp≥gc时,s(gp-gc)取1,当gp<gc时,s(gp-gc)取0,公式(1)中不同的R代表不同的尺度,对于每个子块不同半径内不同尺度的LBP值,统计L种LBP模式的统计直方图,即统计出每种LBP模式在整幅图像中出现的频率,然后将L种LBP模式的出现频率级联形成该子块的直方图,长度为L;
将各子块多个尺度上的直方图组合起来,构成每幅表情图片的LBP特征,具体连接方式为:第m块区域的直方图表示为Hm,m=1,2,...,n×n,其中n×n表示人脸表情图像分为n×n块,一幅完整图像的多尺度LBP特征表示如下:
H={(H1,H2,...,Hn×n)1,...(H1:H2,...,Hn×n)i,...(H1,H2,...,Hn×n)R} (2)
其中H为长度L*n2*R的特征向量,由R个尺度上的LBP直方图级联而成,(H1,H2,...,Hn×n)1、(H1,H2,...,Hn×n)i及(H1,H2,...,Hn×n)R分别表示在不同的尺度下采用LBPP,R算子的图像上统计得到的LBP直方图;
(3)表情词典的建立
将步骤(2)中第i幅表情图片得到的LBP直方图向量H记为Vi,将6*M幅训练图片的所有特征向量级联在一起,形成词典矩阵D;词典对应的表情类别向量记为SD=(s1,...,si,...,sl),其中si表示第i幅图片表情的类别,长度l=6*M,si={1,2,3,4,5,6},分别代表六种基本表情;
(4)稀疏系数的求解
将测试数据库中的图片对应的多尺度LBP特征向量记为y,y可表示为词典D中各分量的线性组合y=Da,a为任意的稀疏系数解,其值为a=(a1,a2,...,al),表示词典中每个单词对应的权重大小,其中对应的最优稀疏系数解为a*,根据稀疏编码的基本原则,要求a*尽可能的稀疏,则最优解为:
a*与词典的大小一致,长度l=6*M;
(5)人脸表情的识别
利用步骤(4)求解出的最优稀疏系数a*,然后利用以下公式计算出测试表情图片的类别:
其中S表示最后计算得出的测试图片的表情类别,S={1,2,3,4,5,6},Ci为每类表情对应的稀疏系数累加值,i表示表情的种类,j表示不同的图片,j的范围从1到l,sj表示第j幅图片的表情类别,表示第j幅图片对应的最优稀疏系数,通过公式(4)求解出测试数据库中表情图片的表情类别S,将测试数据库中每幅图片求解出表情类别S,即可完成大规模人脸表情的分类识别。
本发明的有益效果是利用多尺度LBP特征获取鲁棒性强的特征表示方式,利用稀疏编码解决了大规模人脸表情识别中的稀疏性问题,本发明用于下载的数据库测试,平均识别率为89.1%,比传统的k近邻算法正确率提高了9.5%,验证了基于多尺度LBP和稀疏编码的大规模人脸表情识别方法的有效性。
附图说明
图1是本发明基于多尺度LBP和稀疏编码的人脸表情识别方法示意框图。
图2是本发明中部分人脸表情数据库样本,其中(a)、(b)、(c)、(d)、(e)、(f)分别表示高兴、悲伤、愤怒、惊讶、恶心和恐惧六种表情的样本图片。
图3是人脸表情多尺度LBP特征提取方法。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
图1是本发明基于多尺度LBP和稀疏编码的人脸表情识别方法示意框图,按照图1所示,本发明共有5个步骤,具体实施方式如下:
(1)大规模表情数据库的建立
针对每种表情,每种表情下载N1幅图片,N1为任意整数,六种表情共6*N1幅图片,并通过使用AP聚类算法对每种表情图片进行聚类,人工选择出与每种表情最一致的图片聚类中心,每种表情得到N2幅图片,N2为任意整数,构成大规模人脸表情数据库,该大规模人脸表情数据库共有6*N2幅表情图片;利用AdaBoost方法对大规模人脸表情数据库中的图片进行人脸检测和归一化处理;从每种表情的N2幅图片中随机抽取M幅图片作为该类表情的训练数据库,所有表情组成的训练数据库包含6*M幅图片,剩余的该类表情图片作为测试数据库。
详细步骤为:
①采用文献1的方法,针对每种表情,从网络下载6*N1幅图片,N1为任意整数,本发明中取N1=2000。通过文献1中使用的交互式过滤方法,得到每种表情的N2幅图片构成大规模人脸表情数据库,该数据库共6*N2幅表情图片,N2为任意整数,本发明中取N2=600。图2所示部分表情数据库样本。
②然后对该数据库中的每幅表情图片,使用文献2给出的AdaBoost方法进行人脸自动检测和归一化处理。
③最后利用随机抽样的方式从每种表情中抽取M=500幅表情图片,其中抽取出的6*M=3000幅图片作为训练数据库,剩余的600幅表情图片构建测试数据库。本发明中使用的随机抽样方式为:生成从1到3600的随机排列组合,取前3000个组合数作为训练图片的索引,从3600幅表情图片中抽取前3000幅图片构建训练数据库,剩余600幅图片构建测试数据库。
(2)多尺度LBP特征提取
将人脸按照水平方向和垂直方向划分为n×n等大小的子块,n为任意整数,针对每个子块分别计算其多尺度的LBP直方图,计算方法如下:每个像素点某尺度上的LBPP,R值为
其中,gc为像素点的灰度值,gp为该点半径为R的圆上P个等距离像素点的灰度值,p=0,…,P-1,这些灰度值对应的是对称圆形邻域,当gp≥gc时,s(gp-gc)取1,当gp<gc时,s(gp-gc)取0,公式(1)中不同的R代表不同的尺度,对于每个子块不同半径内不同尺度的LBP值,统计L种LBP模式的统计直方图,即统计出每种LBP模式在整幅图像中出现的频率,然后将L种LBP模式的出现频率级联形成该子块的直方图,长度为L;
将各子块多个尺度上的直方图组合起来,构成每幅表情图片的LBP特征,具体连接方式为:第m块区域的直方图表示为Hm,m=1,2,...,n×n,其中n×n表示人脸表情图像分为n×n块,一幅完整图像的多尺度LBP特征表示如下:
H={(H1,H2,...,Hn×n)1,...(H1,H2,...,Hn×n)i,...(H1,H2,...,Hn×n)R} (2)
其中H为长度L*n2*R的特征向量,由R个尺度上的LBP直方图级联而成,(H1,H2,...,Hn×n)1、(H1,H2,...,Hn×n)i及(H1,H2,...,Hn×n)R表示在不同的尺度下采用LBPP,R算子的图像上统计得到LBP直方图;
详细步骤为:
①首先将人脸水平和垂直的划分为n×n等大小的子块,本发明取n=3,划分方法如图3第2列图所示,n等分行和列;
②针对每个子块分别计算其多尺度的LBP直方图,计算方法如下:对区域中任意像素点的灰度值gc,按照公式(1)计算其LBPP,R值,本发明取P=8,即中心像素点邻域内8个像素值参与计算;取R={1,2},即两个尺度上的LBP值LBP8,1和LBP8,2。根据文献3中定义的LBP模式,本发明采用L=59种LBP模式,分别统计3×3=9个区域内各像素点59种LBP模式出现的次数,并用频率直方图记录下来,如图3第4列图所示。
③最后将16个子块和2个尺度上的直方图组合起来,构成每幅表情图片的LBP特征,如图3第5列图所示,具体连接方式为:将第m块区域的直方图Hm(m=1,2,...,16)按照以下方式级联成最终的LBP特征,表示为:H={(H1,H2,...,H16)1,(H1,H2,...,H16)2}。其中不同的子块的顺序是从上到下,从左到右依次编号为1到16。最终的LBP特征向量H为长度59*9*2维的向量。
(3)表情词典的建立
将步骤(2)中第i幅表情图片得到的LBP直方图向量H记为Vi,将6*M幅训练图片的所有特征向量级联在一起,形成词典矩阵D;词典对应的表情类别向量记为SD=(s1,...,si,...,sl),其中si表示第i幅图片表情的类别,长度l=6*M,si={1,2,3,4,5,6},分别代表六种基本表情。
实施例中将3000幅6种表情的图片的特征向量级联在一起,形成词典矩阵D,矩阵D中每一列对应一个特征向量,表示为D={V1,V2,...Vl};词典对应的表情类别向量记为SD=(s1,...,si,...,sl),长度为l=3000,其中si表示表情的类别,si={1,2,3,4,5,6},代表六种表情:高兴、悲伤、愤怒、惊讶、恶心与恐惧,SD中每隔500个元素的类别加1。
(4)稀疏系数的求解
将测试数据库中的图片对应的多尺度LBP特征向量记为y,y可表示为词典D中各分量的线性组合y=Da,a为任意的稀疏系数解,其值为a=(a1,a2,...,al),表示词典中每个单词对应的权重大小,其中对应的最优稀疏系数解为a*,根据稀疏编码的基本原则,要求a*尽可能的稀疏,则最优解为:
a*与词典的大小一致,长度l=6*M;
根据公式(3)求解最优的a*时,本发明使用经典的线性规划的方法求解公式(3)中的最优系数a*。
(5)人脸表情的识别
利用步骤(4)求解出的最优稀疏系数a*,然后利用以下公式计算出测试表情图片的类别:
其中S表示最后计算得出的测试图片的表情类别,S={1,2,3,4,5,6},Ci为每类表情对应的稀疏系数累加值,i表示表情的种类,j表示不同的图片,j的范围从1到l,sj表示第j幅图片的表情类别,表示第j幅图片对应的最优稀疏系数,通过公式(4)求解出测试数据库中表情图片的表情类别S,将测试数据库中每幅图片求解出表情类别S,即可完成大规模人脸表情的分类识别。
利用步骤(4)求解出最优稀疏系数a*后;然后利用公式(4)计算出测试表情图片的类别S,S的取值为S={1,2,...,6},分别对应为高兴、悲伤、愤怒、惊讶、恶心与恐惧;最后根据S的取值来识别表情的种类,从而实现测试数据库中人脸表情的识别。
Claims (1)
1.一种基于多尺度LBP和稀疏编码的大规模人脸表情识别方法,其特征在于包括下述步骤:
(1)大规模表情数据库的建立
针对每种表情,每种表情下载N1幅图片,N1为任意整数,六种表情共6*N1幅图片,并通过使用AP聚类算法对每种表情图片进行聚类,人工选择出与每种表情最一致的图片聚类中心,每种表情得到N2幅图片,N2为任意整数,构成大规模人脸表情数据库,该大规模人脸表情数据库共有6*N2幅表情图片;利用AdaBoost方法对大规模人脸表情数据库中的图片进行人脸检测和归一化处理;从每种表情的N2幅图片中随机抽取M幅图片作为该类表情的训练数据库,所有表情组成的训练数据库包含6*M幅图片,剩余的该类表情图片作为测试数据库;
(2)多尺度LBP特征提取
将人脸按照水平方向和垂直方向划分为n×n等大小的子块,n为任意整数,针对每个子块分别计算其多尺度的LBP直方图,计算方法如下:每个像素点某尺度上的LBPP,R值为:
其中,gc为像素点的灰度值,gp为该点半径为R的圆上P个等距离像素点的灰度值,p=0,…,P-1,这些灰度值对应的是对称圆形邻域,当gp≥gc时,s(gp-gc)取1,当gp<gc时,s(gp-gc)取0,公式(1)中不同的R代表不同的尺度,对于每个子块不同半径内不同尺度的LBP值,统计L种LBP模式的统计直方图,即统计出每种LBP模式在整幅图像中出现的频率,然后将L种LBP模式的出现频率级联形成该子块的直方图,长度为L;
将各子块多个尺度上的直方图组合起来,构成每幅表情图片的LBP特征,具体连接方式为:第m块区域的直方图表示为Hm,m=1,2,...,n×n,其中n×n表示人脸表情图像分为n×n块,一幅完整图像的多尺度LBP特征表示如下:
H={(H1,H2,...,Hn×n)1,...(H1,H2,...,Hn×n)i,...(H1,H2,...,Hn×n)R} (2)
其中H为长度L*n2*R的特征向量,由R个尺度上的LBP直方图级联而成,(H1,H2,...,Hn×n)1、(H1,H2,...,Hn×n)i及(H1,H2,...,Hn×n)R分别表示在不同的尺度下采用LBPP,R算子的图像上统计得到的LBP直方图;
(3)表情词典的建立
将步骤(2)中第i幅表情图片得到的LBP直方图向量H记为Vi,将6*M幅训练图片的所有特征向量级联在一起,形成词典矩阵D;词典对应的表情类别向量记为SD=(s1,...,si,...,sl),其中si表示第i幅图片表情的类别,长度l=6*M,si={1,2,3,4,5,6},分别代表六种基本表情;
(4)稀疏系数的求解
将测试数据库中的图片对应的多尺度LBP特征向量记为y,y可表示为词典D中各分量的线性组合y=Da,a为任意的稀疏系数解,其值为a=(a1,a2,...,al),表示词典中每个单词对应的权重大小,其中对应的最优稀疏系数解为a*,根据稀疏编码的基本原则,要求a*尽可能的稀疏,则最优解为:
a*与词典的大小一致,长度l=6*M;
(5)人脸表情的识别
利用步骤(4)求解出的最优稀疏系数a*,然后利用以下公式计算出测试表情图片的类别:
其中S表示最后计算得出的测试图片的表情类别,S={1,2,3,4,5,6},Ci为每类表情对应的稀疏系数累加值,i表示表情的种类,j表示不同的图片,j的范围从1到l,sj表示第j幅图片的表情类别,表示第j幅图片对应的最优稀疏系数,通过公式(4)求解出测试数据库中表情图片的表情类别S,将测试数据库中每幅图片求解出表情类别S,即可完成大规模人脸表情的分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410195403.6A CN103971095B (zh) | 2014-05-09 | 2014-05-09 | 基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410195403.6A CN103971095B (zh) | 2014-05-09 | 2014-05-09 | 基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971095A CN103971095A (zh) | 2014-08-06 |
CN103971095B true CN103971095B (zh) | 2017-02-01 |
Family
ID=51240566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410195403.6A Expired - Fee Related CN103971095B (zh) | 2014-05-09 | 2014-05-09 | 基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971095B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096537A (zh) * | 2016-06-06 | 2016-11-09 | 山东大学 | 一种基于多尺度采样的微表情自动识别方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557769B (zh) * | 2015-09-25 | 2019-03-22 | 北京大学 | 一种基于路径积分的ms-lbp的特征抽取方法及系统 |
CN105844221A (zh) * | 2016-03-18 | 2016-08-10 | 常州大学 | 一种基于Vadaboost筛选特征块的人脸表情识别方法 |
CN105913053B (zh) * | 2016-06-07 | 2019-03-08 | 合肥工业大学 | 一种基于稀疏融合的单演多特征的人脸表情识别方法 |
CN106951822B (zh) * | 2017-01-24 | 2020-12-01 | 南京航空航天大学 | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 |
CN107153819A (zh) * | 2017-05-05 | 2017-09-12 | 中国科学院上海高等研究院 | 一种排队长度自动检测方法及排队长度控制方法 |
CN107194364B (zh) * | 2017-06-02 | 2020-08-04 | 重庆邮电大学 | 一种基于分治策略的Huffman-LBP多姿态人脸识别方法 |
CN107506718A (zh) * | 2017-08-17 | 2017-12-22 | 南昌航空大学 | 基于mb‑2dpca特征的人脸表情识别方法 |
CN107844752A (zh) * | 2017-10-20 | 2018-03-27 | 常州大学 | 一种基于块稀疏表示的行人重识别方法 |
CN108090505A (zh) * | 2017-12-04 | 2018-05-29 | 泉州装备制造研究所 | 一种基于多通道字典的物体识别方法 |
CN108171325B (zh) * | 2017-12-28 | 2020-08-28 | 中国科学技术大学 | 一种多尺度人脸恢复的时序集成网络、编码装置及解码装置 |
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN111753713B (zh) * | 2020-06-23 | 2022-05-24 | 菏泽学院 | 基于稀疏表示和深度级联的心电信号身份识别方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065122A (zh) * | 2012-12-21 | 2013-04-24 | 西北工业大学 | 基于面部动作单元组合特征的人脸表情识别方法 |
CN103488974A (zh) * | 2013-09-13 | 2014-01-01 | 南京华图信息技术有限公司 | 基于模拟生物视觉神经网络的人脸表情识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100745981B1 (ko) * | 2006-01-13 | 2007-08-06 | 삼성전자주식회사 | 보상적 특징에 기반한 확장형 얼굴 인식 방법 및 장치 |
-
2014
- 2014-05-09 CN CN201410195403.6A patent/CN103971095B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065122A (zh) * | 2012-12-21 | 2013-04-24 | 西北工业大学 | 基于面部动作单元组合特征的人脸表情识别方法 |
CN103488974A (zh) * | 2013-09-13 | 2014-01-01 | 南京华图信息技术有限公司 | 基于模拟生物视觉神经网络的人脸表情识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
基于LGBP特征和稀疏表示的人脸表情识别;于明 等;《计算机工程与设计》;20130531;第34卷(第5期);第1787-1791页 * |
基于人脸分割和局域二值模式的全自动人脸表情识别;冯晓毅 等;《万方数据》;20080828;第229-232页 * |
基于稀疏表达和改进的LBP算子的人脸表情识别;徐杜功 等;《计算机应用与软件》;20130430;第30卷(第4期);第246-248页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096537A (zh) * | 2016-06-06 | 2016-11-09 | 山东大学 | 一种基于多尺度采样的微表情自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103971095A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971095B (zh) | 基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 | |
CN105447206B (zh) | 基于word2vec算法的新评论对象识别方法及系统 | |
CN110532900B (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
CN110399821B (zh) | 基于人脸表情识别的顾客满意度获取方法 | |
CN112784798A (zh) | 一种基于特征-时间注意力机制的多模态情感识别方法 | |
CN105047194B (zh) | 一种用于语音情感识别的自学习语谱图特征提取方法 | |
CN106778444B (zh) | 一种基于多视图卷积神经网络的表情识别方法 | |
CN109543722A (zh) | 一种基于情感分析模型的情感趋势预测方法 | |
CN106909887A (zh) | 一种基于cnn和svm的动作识别方法 | |
CN103854016B (zh) | 基于方向性共同发生特征的人体行为分类识别方法及系统 | |
CN110188708A (zh) | 一种基于卷积神经网络的人脸表情识别方法 | |
Termritthikun et al. | NU-InNet: Thai food image recognition using convolutional neural networks on smartphone | |
CN104298977B (zh) | 一种基于不相关性约束的低秩表示人体行为识别方法 | |
CN104636755A (zh) | 一种基于深度学习的人脸美丽评价方法 | |
CN103955682B (zh) | 基于surf兴趣点的行为识别方法及装置 | |
CN109815920A (zh) | 基于卷积神经网络和对抗卷积神经网络的手势识别方法 | |
CN104299003A (zh) | 一种基于相似规则高斯核函数分类器的步态识别方法 | |
CN103400160B (zh) | 一种零训练样本行为识别方法 | |
CN108205684A (zh) | 图像消歧方法、装置、存储介质和电子设备 | |
CN106845329A (zh) | 一种基于深度卷积特征多通道金字塔池化的动作识别方法 | |
CN103400154A (zh) | 一种基于有监督等距映射的人体动作识别方法 | |
CN105069447A (zh) | 一种人脸表情的识别方法 | |
CN109902564A (zh) | 一种基于结构相似性稀疏自编码网络的异常事件检测方法 | |
CN111126280B (zh) | 基于融合手势识别的失语症患者辅助康复训练系统及方法 | |
CN104778472B (zh) | 人脸表情特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170201 Termination date: 20180509 |