CN106991385A - 一种基于特征融合的人脸表情识别方法 - Google Patents
一种基于特征融合的人脸表情识别方法 Download PDFInfo
- Publication number
- CN106991385A CN106991385A CN201710168734.4A CN201710168734A CN106991385A CN 106991385 A CN106991385 A CN 106991385A CN 201710168734 A CN201710168734 A CN 201710168734A CN 106991385 A CN106991385 A CN 106991385A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- facial expression
- feature
- image
- gabor
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
Abstract
本发明公开了一种基于特征融合的人脸表情识别方法。首先选择不同类型的人脸表情图像作为训练样本,进行预处理;分别提取人脸表情图像的HOG特征和Gabor小波特征;将同类人脸表情图像的HOG特征和Gabor小波特征进行特征融合;将每类人脸表情图像融合后得到的新特征作为稀疏表示分类的字典,进行稀疏表示分类;将未知的人脸表情图像作为测试样本进行分类。本发明克服了现有表情识别方法图像提取特征维数高、特征包含冗余信息多的难题。
Description
技术领域
本发明属于图像分类技术领域,涉及了一种人脸表情识别方法。
背景技术
人脸面部表情是人类表达内在情绪的一种非语言的交流方式。在不同文化、不同种族的人类大环境下,心理学家将六种基本表情(高兴、悲伤、害怕、沮丧、惊讶、生气)作为广泛的具有共性的表情特征。随着行为科学,人机交互等人工智能领域的发展,人脸表情识别技术已经得到越来越多的关注。
人脸表情识别的目的是在人脸图像的范围内提取出对表情识别有利的特征,并以此特征为基础进行表情分类,因此提取出信息丰富易于分类的特征可提高表情分类的准确度。Gabor小波是对人们感兴趣的图像区域提取信息,具有优良的空间局部性和方向选择性,能够抓住图像局部区域内多个方向的空间频率(尺度)和局部性结构特征。虽然Gabor小波提取的是图像的纹理信息,但是对于Gabor小波设置的参数不同,提取图像特征也有不同,并且利用Gabor小波提取的特征维数高,计算量大,计算时间长。
HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,它通过计算和统计图像局部区域的梯度方向直方图来构成特征。HOG特征可以很好的描述人脸图像局部目标的形状(例如嘴,眼等部位)边缘的方向密度分布,虽具有计算简单,抗干扰能力强的优点,但没有旋转和尺度不变性。
在人脸表情识别过程中,最重要的一步是要提取利于分类的表情特征,而在人脸图像中往往包含许多冗余信息,因此对人脸表情特征融合的意义在于通过优化组合,处理两种特征矢量之间的相互依赖关系,既保留了有效的表情鉴别信息,又在一定程度上消除了冗余信息,这种新兴数据处理技术逐渐成为当前模式识别领域研究的热点方向。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种基于特征融合的人脸表情识别方法,克服现有表情识别方法图像提取特征维数高、特征包含冗余信息多的难题。
为了实现上述技术目的,本发明的技术方案为:
一种基于特征融合的人脸表情识别方法,包括以下步骤:
(1)选择不同类型的人脸表情图像作为训练样本,对人脸表情图像进行几何校正和尺寸归一化的预处理;
(2)分别提取人脸表情图像的HOG特征和Gabor小波特征;
(3)将同类人脸表情图像的HOG特征和Gabor小波特征进行特征融合;
(4)将每类人脸表情图像融合后得到的新特征作为稀疏表示分类的字典,进行稀疏表示分类;
(5)将未知的人脸表情图像作为测试样本,按照(1)-(4),得到分类结果。
进一步地,在步骤(2)中,提取HOG特征的过程如下:
(a)设置HOG特征提取参数,包括每个细胞单元的像素大小、每个细胞单元划分的方向、合成一个图像块所需的细胞单元个数以及图像块的重叠率;
(b)计算图像中每个像素点的梯度:
上式中,H(x,y)为图像中点(x,y)处的像素值,Gx(x,y)、Gy(x,y)分别为图像中点(x,y)在x、y方向的梯度;
(c)计算梯度的幅值G(x,y)和方向α(x,y):
(d)按照梯度方向与细胞单元的划分方向对应原则进行梯度幅值直方图统计,得到HOG特征。
进一步地,在步骤(2)中,提取Gabor小波特征的过程如下:
(A)设置Gabor小波特征提取参数,包括2维Gabor滤波的尺度、方向,以及Gabor滤波器窗口的大小;
(B)按照下式对人脸表情图像进行2维Gabor滤波,提取出Gabor小波特征:
xp=x·cosθ+y·sinθ
yp=y·cosθ-x·sinθ
上式中,(x,y)是图像中点的位置,f是Gabor滤波的尺度,θ是Gabor滤波的角度,Sx、Sx为Gabor滤波器窗口的尺寸。
进一步地,在步骤(A)中,设置2维Gabor滤波的尺度Gabor滤波的方向
进一步地,步骤(3)的具体过程如下:
(ⅰ)将同类人脸表情图像的HOG特征和Gabor小波特征放在一起,设HOG特征为X,Gabor小波特征为Y,计算X的自协方差矩阵Cxx、Y的自协方差矩阵Cyy、以及X、Y的互协方差矩阵Cxy;
(ⅱ)计算Cxx和Cyy的秩和特征向量,设Cxx的秩为h,Cyy的秩为g,在Cxx的特征向量中选取h个特征向量组成矩阵M,在Cyy的特征向量中选取g个特征向量组成矩阵N;
(iii)根据高维空间到低维空间的转换公式,计算低维空间中X的自协方差矩阵Lxx、Y的自协方差矩阵Lyy以及X、Y的互协方差矩阵Lxy、Lyx:
(ⅳ)设Wx为在低维空间中X的投影矩阵,Wy为在低维空间中Y的投影矩阵,建立如下优化模型,要求两组投影矩阵中对应投影矢量关系最大化:
上式中,J为优化模型的目标函数,Wx=(α1,α2,...,αk),Wy=(β1,β2,...,βk),αi、βi为第i对关系最大投影矢量;
(ⅴ)计算融合特征:
上式中,Z为复向量,将Z的虚部的数值与实部数值首尾相连,得到用于分类的融合特征。
进一步地,在步骤(ⅳ)中,采用拉格朗日乘数法,将优化模型的求解转化为两个广义特征方程组的求解:
上式中,λ为的特征值;
计算G1、G2的秩和特征向量,根据G1、G2的秩选取G1、G2特征向量的个数,组成矩阵P、Q;
根据矩阵P、Q计算出投影矩阵Wx、Wy:
采用上述技术方案带来的有益效果:
(1)本发明将同一类的两种特征融合,突出了人脸图像的表情特征,在一定程度上消除冗余信息,降低了特征维数,将融合后的特征作为稀疏表示分类的字典,进行稀疏表示分类,能够获得较精确的人脸表情图像分类结果;
(2)在本发明中,HOG特征提取的是人脸局部形状信息,Gabor小波提取的是纹理信息,两种信息既有互补也有冗余,通过特征融合技术将有相关性的表情特征保留,去除冗余特征;
(3)在Gabor小波特征提取时,针对不同类表情图像特点,提取特征时每类图像对应的Gabor小波参数设置不同,以获得利于鉴别各类表情的特征。
附图说明
图1是本发明的流程图;
图2是人脸表情图像的HOG特征示意图;
图3是人脸表情图像5个尺度8个方向的Gabor滤波效果图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
一种基于特征融合的人脸表情识别方法,如图1所示,具体步骤如下。
步骤1:选择不同类型的人脸表情图像作为训练样本,对人脸表情图像进行几何校正和尺寸归一化的预处理。
在本实施例中,选择Jaffe日本女性表情库作为训练集,库中表情图像按照表情变化不同分为六类,分别为生气、厌恶、害怕、高兴、悲伤和惊奇。其中生气表情图像为31幅,厌恶表情图像为29幅,害怕表情图像为32幅,高兴表情图像为31幅,悲伤表情图像为31幅,惊奇表情图像为30幅。
在本实施例中,可以把人脸表情图像统一规划为64*64的图像。
步骤2:分别提取人脸表情图像的HOG特征和Gabor小波特征。
1)提取HOG特征
首先,设置HOG特征提取参数,包括每个细胞单元的像素大小、每个细胞单元划分的方向、合成一个图像块所需的细胞单元个数以及图像块的重叠率。在本实施例中,每个细胞取8×8的像素大小,每个细胞单元划分9个方向,2×2个细胞单元合成一个图像块,图像块的重叠率为0.5,因此一幅图像的HOG特征为1764维。
接着,计算图像中每个像素点的梯度:
上式中,H(x,y)为图像中点(x,y)处的像素值,Gx(x,y)、Gy(x,y)分别为图像中点(x,y)在x、y方向的梯度;
然后,计算梯度的幅值G(x,y)和方向α(x,y):
最后,按照梯度方向与细胞单元的划分方向对应原则进行梯度幅值直方图统计,得到HOG特征,如图2所示。
2)提取Gabor小波特征
首先,设置Gabor小波特征提取参数,包括2维Gabor滤波的尺度、方向,以及Gabor滤波器窗口的大小。在本实施例中,采用5个尺度、8个方向进行2维Gabor滤波:Gabor滤波器窗口大小为4×4,具体如表1所示。
表1
表情类 | f | θ |
生气 | 1/8 | 3π/8 |
厌恶 | 1/8 | 6π/8 |
害怕 | 1/10 | 4π/8 |
高兴 | 1/10 | 2π/8 |
悲伤 | 1/8 | 3π/8 |
惊奇 | 1/6 | 2π/8 |
然后,按照下式对人脸表情图像进行2维Gabor滤波,提取出Gabor小波特征:
xp=x·cosθ+y·sinθ
yp=y·cosθ-x·sinθ
上式中,(x,y)是图像中点的位置,Sx、Sx为Gabor滤波器窗口的尺寸。通过对5个尺度8个方向的Gabor滤波器提取表情特征的效果,选择出了六类表情对应的Gabor滤波器的最优参数,Gabor小波提取出的每类表情的特征维数为4096维。如图3所示。
步骤3:将同类人脸表情图像的HOG特征和Gabor小波特征进行特征融合,具体过程如下:
(1)将同类人脸表情图像的HOG特征和Gabor小波特征放在一起,设HOG特征为X,Gabor小波特征为Y,计算X的自协方差矩阵Cxx、Y的自协方差矩阵Cyy、以及X、Y的互协方差矩阵Cxy。
(2)计算Cxx和Cyy的秩和特征向量,设Cxx的秩为h,Cyy的秩为g,在Cxx的特征向量中选取h个特征向量组成矩阵M,在Cyy的特征向量中选取g个特征向量组成矩阵N。
(3)根据高维空间到低维空间的转换公式,计算低维空间中X的自协方差矩阵Lxx、Y的自协方差矩阵Lyy以及X、Y的互协方差矩阵Lxy、Lyx:
(4)设Wx为在低维空间中X的投影矩阵,Wy为在低维空间中Y的投影矩阵,建立如下优化模型,要求两组投影矩阵中对应投影矢量关系最大化:
上式中,J为优化模型的目标函数,Wx=(α1,α2,...,αk),Wy=(β1,β2,...,βk),αi、βi为第i对关系最大投影矢量。
在本实施例中,采用拉格朗日乘数法,将优化模型的求解转化为两个广义特征方程组的求解:
上式中,λ为的特征值。
计算G1、G2的秩和特征向量,根据G1、G2的秩选取G1、G2特征向量的个数,组成矩阵P、Q;
根据矩阵P、Q计算出投影矩阵Wx、Wy:
计算融合特征:
上式中,Z为复向量,将Z的虚部的数值与实部数值首尾相连,得到用于分类的融合特征,融合特征维数为62维。
步骤4:将每类人脸表情图像融合后得到的新特征作为稀疏表示分类的字典,进行稀疏表示分类。
在得到新特征的每个表情类中随机提取20幅图像作为训练样本,实验做10次,并对训练样本做标签(生气为1,厌恶为2、害怕为3、高兴为4、悲伤为5和惊奇为6)。每个表情类除了提取的20幅训练样本之外,剩余的图像做测试样本,生气表情测试图像为11幅,厌恶表情测试图像为9幅、害怕表情测试图像为12、高兴表情测试图像为11、悲伤表情测试图像为11幅、惊奇表情测试图像为10幅。将每类测试图像进行稀疏表示分类,得到的每个表情分类精度。
表2给出了本发明与传统基于单一特征的识别方法所需的维数以及计算时间,表3为本发明的稀疏表示分类结果。由此可以看出,本发明与传统基于单一特征的识别方法相比,在一定程度上消除了冗余信息,更有助于提取人脸表情的细节信息,大大缩小了特征维数,计算精度较高,计算时间少,鲁棒性好。
表2
特征维数 | 计算时间 | |
HOG+SRC | 1764 | 254.795 |
Gabor+SRC | 4096 | 266.458 |
特征融合+SRC | 62 | 208.554 |
表3
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.一种基于特征融合的人脸表情识别方法,其特征在于,包括以下步骤:
(1)选择不同类型的人脸表情图像作为训练样本,对人脸表情图像进行几何校正和尺寸归一化的预处理;
(2)分别提取人脸表情图像的HOG特征和Gabor小波特征;
(3)将同类人脸表情图像的HOG特征和Gabor小波特征进行特征融合;
(4)将每类人脸表情图像融合后得到的新特征作为稀疏表示分类的字典,进行稀疏表示分类;
(5)将未知的人脸表情图像作为测试样本,按照(1)-(4),得到分类结果。
2.根据权利要求1所述基于特征融合的人脸表情识别方法,其特征在于:在步骤(2)中,提取HOG特征的过程如下:
(a)设置HOG特征提取参数,包括每个细胞单元的像素大小、每个细胞单元划分的方向、合成一个图像块所需的细胞单元个数以及图像块的重叠率;
(b)计算图像中每个像素点的梯度:
上式中,H(x,y)为图像中点(x,y)处的像素值,Gx(x,y)、Gy(x,y)分别为图像中点(x,y)在x、y方向的梯度;
(c)计算梯度的幅值G(x,y)和方向α(x,y):
(d)按照梯度方向与细胞单元的划分方向对应原则进行梯度幅值直方图统计,得到HOG特征。
3.根据权利要求1所述基于特征融合的人脸表情识别方法,其特征在于:在步骤(2)中,提取Gabor小波特征的过程如下:
(A)设置Gabor小波特征提取参数,包括2维Gabor滤波的尺度、方向,以及Gabor滤波器窗口的大小;
(B)按照下式对人脸表情图像进行2维Gabor滤波,提取出Gabor小波特征:
xp=x·cosθ+y·sinθ
yp=y·cosθ-x·sinθ
上式中,(x,y)是图像中点的位置,f是Gabor滤波的尺度,θ是Gabor滤波的角度,Sx、Sx为Gabor滤波器窗口的尺寸。
4.根据权利要求3所述基于特征融合的人脸表情识别方法,其特征在于:在步骤(A)中,设置2维Gabor滤波的尺度Gabor滤波的方向
5.根据权利要求1所述基于特征融合的人脸表情识别方法,其特征在于:步骤(3)的具体过程如下:
(ⅰ)将同类人脸表情图像的HOG特征和Gabor小波特征放在一起,设HOG特征为X,Gabor小波特征为Y,计算X的自协方差矩阵Cxx、Y的自协方差矩阵Cyy、以及X、Y的互协方差矩阵Cxy;
(ⅱ)计算Cxx和Cyy的秩和特征向量,设Cxx的秩为h,Cyy的秩为g,在Cxx的特征向量中选取h个特征向量组成矩阵M,在Cyy的特征向量中选取g个特征向量组成矩阵N;
(iii)根据高维空间到低维空间的转换公式,计算低维空间中X的自协方差矩阵Lxx、Y的自协方差矩阵Lyy以及X、Y的互协方差矩阵Lxy、Lyx:
(ⅳ)设Wx为在低维空间中X的投影矩阵,Wy为在低维空间中Y的投影矩阵,建立如下优化模型,要求两组投影矩阵中对应投影矢量关系最大化:
上式中,J为优化模型的目标函数,Wx=(α1,α2,...,αk),Wy=(β1,β2,...,βk),αi、βi为第i对关系最大投影矢量;
(ⅴ)计算融合特征:
上式中,Z为复向量,将Z的虚部的数值与实部数值首尾相连,得到用于分类的融合特征。
6.根据权利要求5所述基于特征融合的人脸表情识别方法,其特征在于:在步骤(ⅳ)中,采用拉格朗日乘数法,将优化模型的求解转化为两个广义特征方程组的求解:
上式中,的特征值;
计算G1、G2的秩和特征向量,根据G1、G2的秩选取G1、G2特征向量的个数,组成矩阵P、Q;
根据矩阵P、Q计算出投影矩阵Wx、Wy:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710168734.4A CN106991385A (zh) | 2017-03-21 | 2017-03-21 | 一种基于特征融合的人脸表情识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710168734.4A CN106991385A (zh) | 2017-03-21 | 2017-03-21 | 一种基于特征融合的人脸表情识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991385A true CN106991385A (zh) | 2017-07-28 |
Family
ID=59411752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710168734.4A Pending CN106991385A (zh) | 2017-03-21 | 2017-03-21 | 一种基于特征融合的人脸表情识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991385A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009478A (zh) * | 2017-11-17 | 2018-05-08 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN108446650A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN109241819A (zh) * | 2018-07-07 | 2019-01-18 | 西安电子科技大学 | 基于快速多尺度及联合模板匹配的多目标行人检测方法 |
CN109376680A (zh) * | 2018-11-06 | 2019-02-22 | 大连理工大学 | 一种基于近红外人脸图像的Hog和Gabor特征高效融合快速人脸识别方法 |
CN109389074A (zh) * | 2018-09-29 | 2019-02-26 | 东北大学 | 一种基于人脸特征点提取的表情识别方法 |
CN109598262A (zh) * | 2019-02-11 | 2019-04-09 | 华侨大学 | 一种儿童人脸表情识别方法 |
CN109815887A (zh) * | 2019-01-21 | 2019-05-28 | 浙江工业大学 | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080107311A1 (en) * | 2006-11-08 | 2008-05-08 | Samsung Electronics Co., Ltd. | Method and apparatus for face recognition using extended gabor wavelet features |
CN103632160A (zh) * | 2012-08-24 | 2014-03-12 | 孙琤 | 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法 |
CN104408440A (zh) * | 2014-12-10 | 2015-03-11 | 重庆邮电大学 | 一种基于两步降维和并行特征融合的人脸表情识别方法 |
CN104636711A (zh) * | 2013-11-15 | 2015-05-20 | 广州华久信息科技有限公司 | 一种基于局部稀疏表示分类器的人脸情感识别方法 |
CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
CN105117708A (zh) * | 2015-09-08 | 2015-12-02 | 北京天诚盛业科技有限公司 | 人脸表情识别的方法和装置 |
CN105426889A (zh) * | 2015-11-13 | 2016-03-23 | 浙江大学 | 基于pca混合特征融合的气液两相流流型识别方法 |
-
2017
- 2017-03-21 CN CN201710168734.4A patent/CN106991385A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080107311A1 (en) * | 2006-11-08 | 2008-05-08 | Samsung Electronics Co., Ltd. | Method and apparatus for face recognition using extended gabor wavelet features |
CN103632160A (zh) * | 2012-08-24 | 2014-03-12 | 孙琤 | 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法 |
CN104636711A (zh) * | 2013-11-15 | 2015-05-20 | 广州华久信息科技有限公司 | 一种基于局部稀疏表示分类器的人脸情感识别方法 |
CN104408440A (zh) * | 2014-12-10 | 2015-03-11 | 重庆邮电大学 | 一种基于两步降维和并行特征融合的人脸表情识别方法 |
CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
CN105117708A (zh) * | 2015-09-08 | 2015-12-02 | 北京天诚盛业科技有限公司 | 人脸表情识别的方法和装置 |
CN105426889A (zh) * | 2015-11-13 | 2016-03-23 | 浙江大学 | 基于pca混合特征融合的气液两相流流型识别方法 |
Non-Patent Citations (6)
Title |
---|
严新平: ""基于特征融合的笑脸识别算法研究"", 《万方数据》 * |
侯书东等: ""稀疏保持典型相关分析及在特征融合中的应用"", 《自动化学报》 * |
冯杰等: ""基于分类稀疏表示的人脸表情识别"", 《软件》 * |
古楠楠等: "《流行学习若干关键问题与算法研究》", 31 July 2015 * |
姜文等: ""基于实值Gabor能量特征的手写体维文字符识别"", 《计算机工程与设计》 * |
孙权森等: ""典型相关分析的理论及其在特征融合中的应用"", 《计算机学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009478A (zh) * | 2017-11-17 | 2018-05-08 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN108009478B (zh) * | 2017-11-17 | 2020-03-06 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN108446650A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN109241819A (zh) * | 2018-07-07 | 2019-01-18 | 西安电子科技大学 | 基于快速多尺度及联合模板匹配的多目标行人检测方法 |
CN109389074A (zh) * | 2018-09-29 | 2019-02-26 | 东北大学 | 一种基于人脸特征点提取的表情识别方法 |
CN109389074B (zh) * | 2018-09-29 | 2022-07-01 | 东北大学 | 一种基于人脸特征点提取的表情识别方法 |
CN109376680A (zh) * | 2018-11-06 | 2019-02-22 | 大连理工大学 | 一种基于近红外人脸图像的Hog和Gabor特征高效融合快速人脸识别方法 |
CN109815887A (zh) * | 2019-01-21 | 2019-05-28 | 浙江工业大学 | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 |
CN109815887B (zh) * | 2019-01-21 | 2020-10-16 | 浙江工业大学 | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 |
CN109598262A (zh) * | 2019-02-11 | 2019-04-09 | 华侨大学 | 一种儿童人脸表情识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991385A (zh) | 一种基于特征融合的人脸表情识别方法 | |
CN104866810B (zh) | 一种深度卷积神经网络的人脸识别方法 | |
CN104123545B (zh) | 一种实时表情特征提取及表情识别方法 | |
Choo et al. | iVisClassifier: An interactive visual analytics system for classification based on supervised dimension reduction | |
CN109902590A (zh) | 深度多视图特征距离学习的行人重识别方法 | |
CN105574510A (zh) | 一种步态识别方法及装置 | |
Wang et al. | Feature representation for facial expression recognition based on FACS and LBP | |
CN104834941A (zh) | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 | |
CN109767456A (zh) | 一种基于SiameseFC框架和PFP神经网络的目标跟踪方法 | |
CN103984919A (zh) | 基于粗糙集与混合特征的人脸表情识别方法 | |
CN105117708A (zh) | 人脸表情识别的方法和装置 | |
CN109389045A (zh) | 基于混合时空卷积模型的微表情识别方法与装置 | |
CN104063721B (zh) | 一种基于语义特征自动学习与筛选的人类行为识别方法 | |
CN101169830A (zh) | 基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法 | |
CN102930270A (zh) | 基于肤色检测与背景消除的手部识别方法及系统 | |
CN106097381A (zh) | 一种基于流形判别非负矩阵分解的目标跟踪方法 | |
Jiang et al. | DCT–CNN-based classification method for the Gongbi and Xieyi techniques of Chinese ink-wash paintings | |
Deng | A survey of convolutional neural networks for image classification: Models and datasets | |
Wang et al. | Category-specific nuance exploration network for fine-grained object retrieval | |
Fu et al. | Personality trait detection based on ASM localization and deep learning | |
CN114818963A (zh) | 一种基于跨图像特征融合的小样本检测算法 | |
Wu et al. | MPCT: Multiscale Point Cloud Transformer with a Residual Network | |
Meng et al. | Facial expression recognition algorithm based on fusion of transformed multilevel features and improved weighted voting SVM | |
CN103942572A (zh) | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 | |
CN105893967A (zh) | 基于时序保留性时空特征的人体行为分类检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |