CN107423727A - 基于神经网络的人脸复杂表情识别方法 - Google Patents
基于神经网络的人脸复杂表情识别方法 Download PDFInfo
- Publication number
- CN107423727A CN107423727A CN201710692935.4A CN201710692935A CN107423727A CN 107423727 A CN107423727 A CN 107423727A CN 201710692935 A CN201710692935 A CN 201710692935A CN 107423727 A CN107423727 A CN 107423727A
- Authority
- CN
- China
- Prior art keywords
- network
- face
- vector
- nose
- distance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007935 neutral effect Effects 0.000 title claims abstract description 15
- 230000001815 facial effect Effects 0.000 claims abstract description 37
- 210000005036 nerve Anatomy 0.000 claims abstract description 30
- 238000002834 transmittance Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 25
- 210000001747 pupil Anatomy 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 8
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008921 facial expression Effects 0.000 claims description 5
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006854 communication Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G06V40/174—Facial expression recognition
- G06V40/175—Static expression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的人脸复杂表情识别方法，在通用反向传播神经网络的基础上，融合基于面部特征子图提取和基于生物特征参数提取两种方法的人脸识别技术，在基于面部特征子图提取的方法中，提取眼睛、鼻子和嘴巴的四个子图像，并将其馈送到通用反向传播神经网络；在基于生物特征参数提取的方法中，面部特征点之间的七个测量距离将被馈送到另一个通用反向传播神经网络，选择基于面部特征子图提取的方法作为主要神经网络，而基于生物特征参数提取的方法用作辅助神经网络，如主要分类器未识别，用辅助分类器识别。
Description
技术领域：
本发明涉及一种生物特征识别领域，特别是涉及一种基于神经网络的人脸复杂表情识别方法。
背景技术：
高度信息化的社会环境下，传统的身份认证方式存在不易携带、易伪造、易损坏、易受攻击等诸多缺点，难以满足智能化社会发展的需求。近年来，生物特征识别的唯一性、稳定性、安全性和普遍性等优势使其成为当前信息安全领域中极为重要的新兴技术。其中，人脸识别具有的自然性、非接触性、隐蔽性和高可靠性使其比其他如指纹、掌纹、虹膜、语音等识别方式具有更大的应用前景。
人脸表情是人类信息交流的重要方式，它所富含的人体行为信息与人的情感状态、精神状态、健康状态等有着极为密切的关联。因此，通过对于人脸表情的识别可以获得很多有价值的信息，从而分析人类的心理活动和精神状态，并为各种机器视觉和人工智能控制系统的应用提供了解决方案。
尽管人脸识别技术取得了长足的进步，但仍面临众多挑战。人类面部器官的形状、大小和相对位置的复杂变化才使人类产生了千差万别的表情，这其中眼睛、鼻子、嘴巴等的相对位置变化对表情产生极大地影响，大大增加了识别的难度。
发明内容：
本发明所要解决的技术问题是：克服现有技术的不足，利用在表情变化时人脸局部特征和特征点之间距离的稳定性，应用融合了基于生物特征参数提取和基于面部特征子图提取两种方法的面部组件特征检测器，然后使用通用反向传播神经网络实现分类识别的基于神经网络的人脸复杂表情识别方法。
本发明的技术方案是：一种基于神经网络的人脸复杂表情识别方法，其步骤是：
A、输入训练集中的人脸图像，先在每个人脸图像上运行面部组件特征检测器CBD，通过点击人脸图像上眼睛、鼻子和嘴巴的中间部分来提取四个特征的子图像；
B、使用面部组件特征检测器CBD半自动点击每个人脸图像中眼睛、鼻子和嘴巴的中间部分，并测量之间的七个特征检测距离；
C、将步骤A所生成的四个子图像归一化为0和1之间的范围，并作为通用反向传播神经网络分类器的输入特征，对通用反向传播神经网络分类器进行训练学习和分类，其具体步骤为：
(1)对应于每个图像的眼睛、鼻子和嘴巴的子图像的灰度级别分别存储在四个矩阵中，四个矩阵成形为一个向量；
(2)将所有训练样本的所有输入向量组合成训练矩阵X1，然后进行归一化；
(3)测试集中的每个人都有一个数字来识别他的身份。因此，网络的期望输出Y1将是以二进制格式保存相应的输入图像；
(4)X1和Y1送入通用反向传播神经网络进行训练；
D、将步骤B所生成的七个特征检测距离归一化为0和1之间的范围，并作为通用反向传播神经网络分类器的输入特征，对通用反向传播神经网络分类器进行训练学习和分类，其具体步骤为：
(1)将每个图像的七个特征测量距离存储在一个向量中；
(2)将所有训练样本的所有输入向量组合成训练矩阵X2，然后进行归一化；
(3)输出Y2为相应输入图像的二进制数；
(4)将X2和Y2送入通用反向传播神经网络进行训练；
E、在步骤C和步骤D训练结束后，分别对两个通用反向传播神经网络计算系统的均方误差MSE，具有较少整体MSE的网络作为主要分类器，另一个作为辅助分类器；
F、输入待检测人脸图像，按照步骤A(通过使用图形用户界面GUI半自动捕获眼睛、鼻子和嘴巴子图像的灰度特征矩阵，可以获得面部特征，GUI可以裁剪局部窗口，截取所考虑的面部特征，即：眼睛、鼻子和嘴巴)对待检测人脸图像中的眼睛、鼻子和嘴巴四个特征提取其子图像，对四个子图像的相应灰度级别进行提取，得到四个矩阵，将四个矩阵归一化和重构成长度为1425的行向量，结合输入向量形成的矩阵被馈送到主要分类器进行识别，如主要分类器未识别，用辅助分类器识别；
G、根据步骤B取得待检测人脸图像中七个特征检测距离(使用右眼瞳孔、左眼瞳孔、嘴巴的中间位置和鼻尖点来计算面部特征之间的距离)，七个特征检测距离存储在一个向量中，结合输入向量形成的矩阵被馈送到辅助分类器进行识别。
所述通用反向传播神经网络包括使用输入事件来计算网络期望输出的前向传播和使用Werbos链规则来对有序导数进行计算并调整权重W的反向传播。
所述通用反向传播神经网络输入数据X的尺寸为m，输出数据Y的尺寸为n和(N-m)个隐含层，网络具有(N+n)个可训练神经元。选择N，且N≥m。
所述前向传播的过程为：
第一个神经元是输入神经元，其输出为xi＝Xi，其中X是输入向量，i∈1...m.令neti表示第i个神经元的输出，可以表示为：
这是所有先前神经元输出的饱和线性组合。可得：
输出的饱和值S(neti)的计算公式为：
最后，我们可以使用以下方法获得每个输出神经元的网络期望输出
所述反向传播的过程为：
计算权重Wij以最小化训练集上的方差，对于给定的一组权重W，首先计算与每个正向通道相关联的总和方差(SSE)向量：
其中t表示事件索引，T是事件的总数，Yi是输出神经元i的期望输出；
使用前缀符号"F_"表示SSE相对于冠"F_"的任何变量的有序导数，计算SSE的导数:
应用方程(6)，我们可以求出SSE对于Y的有序导数:
对于隐藏的神经元，将下标t放在以下等式中，进一步简化：
i∈N+n...m+1 (8)
同时，
其中S′(x)是等式(2)中定义的S(x)的导数。
S′(x)＝S(x)(1-T(x)) (10)
通过方程(7)使网络向后运行，以计算SSE相对于网络权重的导数：
最后，使用学习率β来调整网络权重:
在反向评估结束时，将使用以下函数来获取二进制输出：
所述七个特征检测距离为(1)两瞳孔之间的距离；(2)从左眼瞳孔到嘴中心的距离；(3)从右眼瞳孔到嘴中心的距离；(4)从左眼瞳孔到鼻尖的距离；(5)从右眼瞳孔到鼻尖的距离；(6)从两瞳孔之间的中点到鼻尖的距离；(7)从两瞳孔之间的中点到嘴的中心点的距离。所述训练集中的人脸图像来自日本ATR-JAFFE人脸表情数据库。
本发明的有益效果是：
1、本发明通用反向传播神经网络的基础上，融合基于面部特征子图提取和基于生物特征参数提取两种方法，并选择基于面部特征子图提取的方法作为主要神经网络，而基于生物特征参数提取的方法用作辅助神经网络，实现对人脸图像的识别。
2、本发明在基于面部特征子图提取的方法中，我们提取眼睛、鼻子和嘴巴的四个子图像，并将其馈送到通用反向传播神经网络；在基于生物特征参数提取的方法中，面部特征点之间的七个测量距离将被馈送到另一个通用反向传播神经网络，实现两个神经网络的构件，如果主网络没有获得识别结果，则辅助网络将会接管继续识别。
3、本发明的两个网络分开训练，在训练结束时，将为每个网络计算系统的均方误差(MSE)，具有较少整体MSE的基于面部特征子图提取的方法作为主要分类器，基于生物特征参数提取的方法作为辅助分类器。
附图说明：
图1为基于神经网络的人脸复杂表情识别方法的流程示意图。
图2为训练集中的人脸图像的部分样本。
图3为通用反向传播神经网络的结构示意图。
图4为通用反向传播神经网络的前向和反向传播过程的示意图。
具体实施方式：
实施例：参见图1、图2、图3和图4。
一种基于神经网络的人脸复杂表情识别方法，其步骤是：
A、输入训练集中的人脸图像，先在每个人脸图像上运行面部组件特征检测器CBD，通过点击人脸图像上眼睛、鼻子和嘴巴的中间部分来提取四个特征的子图像；
B、使用面部组件特征检测器CBD半自动点击每个人脸图像中眼睛、鼻子和嘴巴的中间部分，并测量之间的七个特征检测距离；
C、将步骤A所生成的四个子图像归一化为0和1之间的范围，并作为通用反向传播神经网络分类器的输入特征，对通用反向传播神经网络分类器进行训练学习和分类，其具体步骤为：
(1)对应于每个图像的眼睛、鼻子和嘴巴的子图像的灰度级别分别存储在四个矩阵中，四个矩阵成形为一个向量；
(2)将所有训练样本的所有输入向量组合成训练矩阵X1，然后进行归一化；
(3)测试集中的每个人都有一个数字来识别他的身份。因此，网络的期望输出Y1将是以二进制格式保存相应的输入图像；
(4)X1和Y1送入通用反向传播神经网络进行训练；
D、将步骤B所生成的七个特征检测距离归一化为0和1之间的范围，并作为通用反向传播神经网络分类器的输入特征，对通用反向传播神经网络分类器进行训练学习和分类，其具体步骤为：
(1)将每个图像的七个特征测量距离存储在一个向量中；
(2)将所有训练样本的所有输入向量组合成训练矩阵X2，然后进行归一化；
(3)输出Y2为相应输入图像的二进制数；
(4)将X2和Y2送入通用反向传播神经网络进行训练；
E、在步骤C和步骤D训练结束后，分别对两个通用反向传播神经网络计算系统的均方误差MSE，具有较少整体MSE的网络作为主要分类器，另一个作为辅助分类器；
F、输入待检测人脸图像，按照步骤A对待检测人脸图像中的眼睛、鼻子和嘴巴四个特征提取其子图像，对四个子图像的相应灰度级别进行提取，得到四个矩阵，将四个矩阵归一化和重构成长度为1425的行向量，结合输入向量形成的矩阵被馈送到主要分类器进行识别，如主要分类器未识别，用辅助分类器识别；
G、根据步骤B取得待检测人脸图像中七个特征检测距离，七个特征检测距离存储在一个向量中，结合输入向量形成的矩阵被馈送到辅助分类器进行识别。
通用反向传播神经网络包括使用输入事件来计算网络期望输出的前向传播和使用Werbos链规则来对有序导数进行计算并调整权重W的反向传播。
前向传播过程为：
第一个神经元是输入神经元，其输出为xi＝Xi，其中X是输入向量，i∈1...m.令neti表示第i个神经元的输出，可以表示为：
这是所有先前神经元输出的饱和线性组合。可得：
输出的饱和值S(neti)的计算公式为：
最后，我们可以使用以下方法获得每个输出神经元的网络期望输出
反向传播过程为：
计算权重Wij以最小化训练集上的方差，对于给定的一组权重W，首先计算与每个正向通道相关联的总和方差(SSE)向量：
其中t表示事件索引，T是事件的总数，Yi是输出神经元i的期望输出；
使用前缀符号"F_"表示SSE相对于冠"F_"的任何变量的有序导数，计算SSE的导数:
应用方程(6)，我们可以求出SSE对于Y的有序导数:
对于隐藏的神经元，将下标t放在以下等式中，进一步简化：
i∈N+n...m+1 (8)
同时，
其中s′(x)是等式(2)中定义的S(x)的导数。
S′(x)＝S(x)(1-T(x)) (10)
通过方程(7)使网络向后运行，以计算SSE相对于网络权重的导数：
最后，使用学习率β来调整网络权重:
在反向评估结束时，将使用以下函数来获取二进制输出：
七个特征检测距离为(1)两瞳孔之间的距离；(2)从左眼瞳孔到嘴中心的距离；(3)从右眼瞳孔到嘴中心的距离；(4)从左眼瞳孔到鼻尖的距离；(5)从右眼瞳孔到鼻尖的距离；(6)从两瞳孔之间的中点到鼻尖的距离；(7)从两瞳孔之间的中点到嘴的中心点的距离。训练集中的人脸图像来自日本ATR-JAFFE人脸表情数据库。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于神经网络的人脸复杂表情识别方法，其步骤是：
A、输入训练集中的人脸图像，先在每个人脸图像上运行面部组件特征检测器CBD，通过点击人脸图像上眼睛、鼻子和嘴巴的中间部分来提取四个特征的子图像；
B、使用面部组件特征检测器CBD半自动点击每个人脸图像中眼睛、鼻子和嘴巴的中间部分，并测量之间的七个特征检测距离；
C、将步骤A所生成的四个子图像归一化为0和1之间的范围，并作为通用反向传播神经网络分类器的输入特征，对通用反向传播神经网络分类器进行训练学习和分类，其具体步骤为：
(1)对应于每个图像的眼睛、鼻子和嘴巴的子图像的灰度级别分别存储在四个矩阵中，四个矩阵成形为一个向量；
(2)将所有训练样本的所有输入向量组合成训练矩阵X1，然后进行归一化；
(3)测试集中的每个人都有一个数字来识别他的身份,网络的期望输出Y1将是以二进制格式保存相应的输入图像；
(4)X1和Y1送入通用反向传播神经网络进行训练；
D、将步骤B所生成的七个特征检测距离归一化为0和1之间的范围，并作为通用反向传播神经网络分类器的输入特征，对通用反向传播神经网络分类器进行训练学习和分类，其具体步骤为：
(1)将每个图像的七个特征测量距离存储在一个向量中；
(2)将所有训练样本的所有输入向量组合成训练矩阵X2，然后进行归一化；
(3)输出Y2为相应输入图像的二进制数；
(4)将X2和Y2送入通用反向传播神经网络进行训练；
E、在步骤C和步骤D训练结束后，分别对两个通用反向传播神经网络计算系统的均方误差MSE，具有较少整体MSE的网络作为主要分类器，另一个作为辅助分类器；
F、输入待检测人脸图像，按照步骤A对待检测人脸图像中的眼睛、鼻子和嘴巴四个特征提取其子图像，对四个子图像的相应灰度级别进行提取，得到四个矩阵，将四个矩阵归一化和重构成长度为1425的行向量，结合输入向量形成的矩阵被馈送到主要分类器进行识别，如主要分类器未识别，用辅助分类器识别；
G、根据步骤B取得待检测人脸图像中七个特征检测距离，七个特征检测距离存储在一个向量中，结合输入向量形成的矩阵被馈送到辅助分类器进行识别。
2.根据权利要求1所述的基于神经网络的人脸复杂表情识别方法，其特征是：所述通用反向传播神经网络包括使用输入事件来计算网络期望输出的前向传播和使用Werbos链规则来对有序导数进行计算并调整权重W的反向传播。
3.根据权利要求2所述的基于神经网络的人脸复杂表情识别方法，其特征是：所述前向传播过程为：
第一个神经元是输入神经元，其输出为xi＝Xi，其中X是输入向量，i∈1...m.令neti表示第i个神经元的输出，可以表示为：
这是所有先前神经元输出的饱和线性组合。可得：
输出的饱和值S(neti)的计算公式为：
最后，我们可以使用以下方法获得每个输出神经元的网络期望输出
。
4.根据权利要求2所述的基于神经网络的人脸复杂表情识别方法，其特征是：所述反向传播过程为：
计算权重Wij以最小化训练集上的方差，对于给定的一组权重W，首先计算与每个正向通道相关联的总和方差(SSE)向量：
其中t表示事件索引，T是事件的总数，Yi是输出神经元i的期望输出；
使用前缀符号"F_"表示SSE相对于冠"F_"的任何变量的有序导数，计算SSE的导数:
应用方程(6)，我们可以求出SSE对于Y的有序导数:
对于隐藏的神经元，将下标t放在以下等式中，进一步简化：
同时，
其中S′(x)是等式(2)中定义的S(x)的导数。
S′(x)＝S(x)(1-T(x)) (10)
通过方程(7)使网络向后运行，以计算SSE相对于网络权重的导数：
最后，使用学习率β来调整网络权重:
在反向评估结束时，将使用以下函数来获取二进制输出：
。
5.根据权利要求1所述的基于神经网络的人脸复杂表情识别方法，其特征是：所述七个特征检测距离为(1)两瞳孔之间的距离；(2)从左眼瞳孔到嘴中心的距离；(3)从右眼瞳孔到嘴中心的距离；(4)从左眼瞳孔到鼻尖的距离；(5)从右眼瞳孔到鼻尖的距离；(6)从两瞳孔之间的中点到鼻尖的距离；(7)从两瞳孔之间的中点到嘴的中心点的距离。
6.根据权利要求1所述的基于神经网络的人脸复杂表情识别方法，其特征是：所述训练集中的人脸图像来自日本ATR-JAFFE人脸表情数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710692935.4A CN107423727B (zh) | 2017-08-14 | 2017-08-14 | 基于神经网络的人脸复杂表情识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710692935.4A CN107423727B (zh) | 2017-08-14 | 2017-08-14 | 基于神经网络的人脸复杂表情识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107423727A true CN107423727A (zh) | 2017-12-01 |
| CN107423727B CN107423727B (zh) | 2018-07-10 |
Family
ID=60438005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710692935.4A Expired - Fee Related CN107423727B (zh) | 2017-08-14 | 2017-08-14 | 基于神经网络的人脸复杂表情识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423727B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107948732A (zh) * | 2017-12-04 | 2018-04-20 | 京东方科技集团股份有限公司 | 视频的播放方法、视频播放装置及系统 |
| CN108197593A (zh) * | 2018-01-23 | 2018-06-22 | 深圳极视角科技有限公司 | 基于三点定位方法的多尺寸人脸表情识别方法及装置 |
| CN108922617A (zh) * | 2018-06-26 | 2018-11-30 | 电子科技大学 | 一种基于神经网络的自闭症辅助诊断方法 |
| CN109635709A (zh) * | 2018-12-06 | 2019-04-16 | 中山大学 | 一种基于显著表情变化区域辅助学习的人脸表情识别方法 |
| CN109798888A (zh) * | 2019-03-15 | 2019-05-24 | 京东方科技集团股份有限公司 | 移动设备的姿态确定装置、方法和视觉里程计 |
| CN110348372A (zh) * | 2019-07-09 | 2019-10-18 | 杭州米络星科技(集团)有限公司 | 一种直播中主播身份的实名验证方法 |
| CN111930333A (zh) * | 2019-05-13 | 2020-11-13 | 国际商业机器公司 | 语音变换允许确定和表示 |
| CN111967413A (zh) * | 2020-08-21 | 2020-11-20 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101276408A (zh) * | 2008-04-24 | 2008-10-01 | 长春供电公司 | 一种基于电力系统网络安全访问的人脸识别方法 |
| CN103020602A (zh) * | 2012-10-12 | 2013-04-03 | 北京建筑工程学院 | 基于神经网络的人脸识别方法 |
| 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 |
| US20150125049A1 (en) * | 2013-11-04 | 2015-05-07 | Facebook, Inc. | Systems and methods for facial representation |
| CN106575367A (zh) * | 2014-08-21 | 2017-04-19 | 北京市商汤科技开发有限公司 | 用于基于多任务的人脸关键点检测的方法和系统 |
| CN106845330A (zh) * | 2016-11-17 | 2017-06-13 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的二维人脸识别模型的训练方法 |
-
2017
- 2017-08-14 CN CN201710692935.4A patent/CN107423727B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101276408A (zh) * | 2008-04-24 | 2008-10-01 | 长春供电公司 | 一种基于电力系统网络安全访问的人脸识别方法 |
| CN103020602A (zh) * | 2012-10-12 | 2013-04-03 | 北京建筑工程学院 | 基于神经网络的人脸识别方法 |
| 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 |
| US20150125049A1 (en) * | 2013-11-04 | 2015-05-07 | Facebook, Inc. | Systems and methods for facial representation |
| CN106575367A (zh) * | 2014-08-21 | 2017-04-19 | 北京市商汤科技开发有限公司 | 用于基于多任务的人脸关键点检测的方法和系统 |
| CN106845330A (zh) * | 2016-11-17 | 2017-06-13 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的二维人脸识别模型的训练方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107948732B (zh) * | 2017-12-04 | 2020-12-01 | 京东方科技集团股份有限公司 | 视频的播放方法、视频播放装置及系统 |
| US10560749B2 (en) | 2017-12-04 | 2020-02-11 | Boe Technology Group Co., Ltd. | Video playing method, video playing device, video playing system, apparatus and computer-readable storage medium |
| CN107948732A (zh) * | 2017-12-04 | 2018-04-20 | 京东方科技集团股份有限公司 | 视频的播放方法、视频播放装置及系统 |
| CN108197593A (zh) * | 2018-01-23 | 2018-06-22 | 深圳极视角科技有限公司 | 基于三点定位方法的多尺寸人脸表情识别方法及装置 |
| CN108922617A (zh) * | 2018-06-26 | 2018-11-30 | 电子科技大学 | 一种基于神经网络的自闭症辅助诊断方法 |
| CN109635709A (zh) * | 2018-12-06 | 2019-04-16 | 中山大学 | 一种基于显著表情变化区域辅助学习的人脸表情识别方法 |
| CN109635709B (zh) * | 2018-12-06 | 2022-09-23 | 中山大学 | 一种基于显著表情变化区域辅助学习的人脸表情识别方法 |
| CN109798888A (zh) * | 2019-03-15 | 2019-05-24 | 京东方科技集团股份有限公司 | 移动设备的姿态确定装置、方法和视觉里程计 |
| CN109798888B (zh) * | 2019-03-15 | 2021-09-17 | 京东方科技集团股份有限公司 | 移动设备的姿态确定装置、方法和视觉里程计 |
| CN111930333A (zh) * | 2019-05-13 | 2020-11-13 | 国际商业机器公司 | 语音变换允许确定和表示 |
| CN110348372A (zh) * | 2019-07-09 | 2019-10-18 | 杭州米络星科技(集团)有限公司 | 一种直播中主播身份的实名验证方法 |
| CN111967413A (zh) * | 2020-08-21 | 2020-11-20 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
| CN111967413B (zh) * | 2020-08-21 | 2024-04-09 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107423727B (zh) | 2018-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423727B (zh) | 基于神经网络的人脸复杂表情识别方法 | |
| Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
| Wang et al. | Sensorygans: An effective generative adversarial framework for sensor-based human activity recognition | |
| Arora et al. | AutoFER: PCA and PSO based automatic facial emotion recognition | |
| CN106778785B (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
| CN107330444A (zh) | 一种基于生成对抗网络的图像自动文本标注方法 | |
| CN106096535A (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
| CN109344759A (zh) | 一种基于角度损失神经网络的亲属识别方法 | |
| CN104318221A (zh) | 一种基于elm的人脸表情识别方法 | |
| Liang et al. | A convolution-transformer dual branch network for head-pose and occlusion facial expression recognition | |
| CN108509920A (zh) | 基于CNN的多patch多通道联合特征选择学习的人脸识别方法 | |
| CN113221655B (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
| CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
| CN107844780A (zh) | 一种融合zed视觉的人体健康特征大数据智慧计算方法与装置 | |
| CN111353390A (zh) | 一种基于深度学习的微表情识别方法 | |
| CN107066979A (zh) | 一种基于深度信息和多维度卷积神经网络的人体动作识别方法 | |
| Huang et al. | Design and Application of Face Recognition Algorithm Based on Improved Backpropagation Neural Network. | |
| CN116386102A (zh) | 一种基于改进残差卷积网络inception块结构的人脸情绪识别方法 | |
| Li et al. | Adaptive dropout method based on biological principles | |
| Youme et al. | Generalization of Bangla sign language recognition using angular loss functions | |
| Zhu et al. | A novel simple visual tracking algorithm based on hashing and deep learning | |
| CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
| Nikolova et al. | Human action recognition for pose-based attention: methods on the framework of image processing and deep learning | |
| Sun et al. | Adv-emotion: The facial expression adversarial attack | |
| Zhu | [Retracted] A Face Recognition System Using ACO‐BPNN Model for Optimizing the Teaching Management System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Kefeng Inventor after: Xiong Xin Inventor after: Chen Suxia Inventor after: Zhang Zhiyuan Inventor after: Wang Wei Inventor after: Chen Xinying Inventor after: Song Liming Inventor after: Hao Yuan Inventor after: Li Shu Inventor before: Li Kefeng Inventor before: Xiong Xin Inventor before: Zheng Jiyu Inventor before: Wang Junhua Inventor before: Wang Wei Inventor before: Hao Yuan |
|
| GR01 | Patent grant | ||
| 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: 20180710 |