CN108399370A - 表情识别的方法及云系统 - Google Patents
表情识别的方法及云系统 Download PDFInfo
- Publication number
- CN108399370A CN108399370A CN201810106766.6A CN201810106766A CN108399370A CN 108399370 A CN108399370 A CN 108399370A CN 201810106766 A CN201810106766 A CN 201810106766A CN 108399370 A CN108399370 A CN 108399370A
- Authority
- CN
- China
- Prior art keywords
- facial expression
- expression image
- identified
- image block
- fei sheer
- 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
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了表情识别的方法及云系统,所述方法包括:将待识别表情图像切分成多个表情图像块;根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量;利用预设的识别网络对所述待识别表情图像的费舍尔向量进行识别,得到所述待识别表情图像的识别结果。本申请避免了现有表情识别方法所提取的可分离特征对表情分类的识别精度较低,实现了将多个表情图像块的识别与费舍尔向量编码相结合,提升了表情识别的精确度。
Description
技术领域
本申请涉及表情识别技术领域,特别涉及表情识别的方法及云系统。
背景技术
近年来,表情识别广泛应用于人机交互、情绪解读、表情生成等领域,表情识别的基本思路为通过提取表情特征,实现表情的分类识别。现有的表情识别方法通常利用卷积神经网络进行端到端的分类识别,但现有的表情识别方法存在一定的局限性,具体为,传统的卷积神经网络所提取的特征为可分离特征,而人的表情变化的差异非常小,仅依靠用于提取可分离特征的卷积神经网络无法满足基于人的表情变化的精细分类的任务要求,可见,现有的表情识别方法对于人的表情变化的精度识别存在一定的局限性。
发明内容
有鉴于此,本发明实施例期望提供表情识别的方法及云系统,以解决现有的表情识别方法通过卷积神经网络提取可分离特征,所得到的表情分类的识别精度较低的技术问题。
在一个方面,本申请实施例提供了一种表情识别的方法,包括:
将待识别表情图像切分成多个表情图像块;
根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量;
利用预设的识别网络对所述待识别表情图像的费舍尔向量进行识别,得到所述待识别表情图像的识别结果。
在另一个方面,本申请实施例提供了一种表情识别的云系统,包括:
特征提取网络,用于将待识别表情图像切分成多个表情图像块;以及,
根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量;
识别网络,用于利用预设的识别网络对所述待识别表情图像的费舍尔向量进行识别,得到所述待识别表情图像的识别结果。
在另一个方面,本申请实施例提供了一种电子设备,所述电子设备包括:
收发设备,存储器,一个或多个处理器;以及
一个或多个模块,所述一个或多个模块被存储在所述存储器中,并被配置成由所述一个或多个处理器执行,所述一个或多个模块包括用于执行上述方法中各个步骤的指令。
在另一个方面,本申请实施例提供了一种与电子设备结合使用的计算机程序产品,所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制,所述计算机程序机制包括用于执行上述方法中各个步骤的指令。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本实施例中,将待识别表情图像切分成多个表情图像块,根据待识别表情图像的多个表情图像块,得到待识别表情图像的费舍尔向量,并利用预设的识别网络对所述待识别表情图像的费舍尔向量进行识别,得到所述待识别表情图像的识别结果,避免了现有表情识别方法所提取的可分离特征对表情分类的识别精度较低,实现了将多个表情图像块的识别与费舍尔向量编码相结合,提升了表情识别的精确度。
附图说明
下面将参照附图描述本申请的具体实施例,其中:
图1为本申请实施例一中表情识别的方法原理图;
图2为本申请实施例一中表情识别的人脸关键点切分示意图;
图3为本申请实施例二中表情识别的云系统架构图;
图4为本申请实施例三中电子设备的结构示意图。
具体实施方式
以下通过具体示例,进一步阐明本发明实施例技术方案的实质。
为了使本申请的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。并且在不冲突的情况下,本说明中的实施例及实施例中的特征可以互相结合。
发明人在发明过程中注意到:
传统的卷积神经网络所提取的图像的可分离特征,无法满足对人脸表情变化的精细分类需求,识别精度较低,且存在一定的局限性。
针对上述不足/基于此,本申请实施例提出了当获取到人脸表情图像后,将人脸表情图像切分成多个表情图像块,分别提取每个表情图像块的深度卷积特征,并将得到的多个表情图像块的深度卷积特征进行费舍尔向量编码融合,得到人脸表情图像的费舍尔向量,从而利用识别网络实现对表情图像的识别,即利用更具有区分性的表情图像的费舍尔向量,实现对人脸表情的精确识别。
为了便于本申请的实施,下面实例进行说明。
实施例1
图1示出了本申请实施例一中表情识别的方法原理图,如图1所示,该方法包括:
步骤101:将待识别表情图像切分成多个表情图像块。
步骤102:根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量。
步骤103:利用预设的识别网络对所述待识别表情图像的费舍尔向量进行识别,得到所述待识别表情图像的识别结果。
实施中,上述步骤的执行主体可以为云端服务器,云端服务器将待识别表情图像切分成多个表情图像块,并将每个表情图像块输入到定义好的卷积神经网络,以提取每个表情图像块的深度卷积特征,对待识别表情图像的多个表情图像块进行费舍尔向量编码融合,通过级联的方式得到待识别表情图像的费舍尔向量,将待识别表情图像的费舍尔向量输入预设的识别网络,识别出待识别表情图像中的人脸表情。其中,预设的识别网络是基于不同类别的表情图像的费舍尔向量训练得到的支持向量机模型。
在本实施例中,所述将所述待识别表情图像切分成多个表情图像块,包括:
当检测到所述待识别表情图像为人脸图像时,确定所述待识别表情图像中的人脸关键点;
根据所述人脸关键点对所述待识别表情图像进行切分处理,得到多个表情图像块。
在本实施例中,所述根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量,包括:
对所述多个表情图像块进行特征提取,得到所述多个表情图像块的深度卷积特征;
利用预设的混合高斯模型,对所述多个表情图像块的深度卷积特征进行费舍尔向量编码计算,得到所述待识别表情图像的费舍尔向量。
在本实施例中,所述预设的混合高斯模型的训练过程包括:
根据训练集中每个表情图像的表情图像块的深度卷积特征,训练得到多个高斯模型;
利用所述多个高斯模型,对每个表情图像中的表情图像块的深度卷积特征进行拟合处理,得到训练好的混合高斯模型。
实施中,基于表情图像的表情图像块的深度卷积特征的训练集的建立过程具体为:
1)采集人脸表情建立初始数据集,对所采集的人脸表情进行人脸检测和人脸对齐操作,得到标准人脸表情数据集。
具体地,利用基于深度学习的人脸检测方法,如用于人脸检测的基于多任务的卷积神经网络(MTCNN:Multi-task convolutional neural networks)、用于人脸识别的SeetaFace等进行人脸检测,以及人脸关键点标注,根据标注的人脸关键点进行人脸对齐操作,得到对齐后的标准人脸表情图像。其中,人脸对齐操作可以根据实际情况的需要选择两眼、两嘴角和鼻尖5个人脸关键点进行对齐操作,也可以选择两眼和两嘴角的中心点,即2个人脸关键点进行对齐操作,此处不对人脸关键点的选择和数量作具体限定。
2)图2示出了本申请实施例一中表情识别的人脸关键点切分示意图,如图2所示,将标准人脸表情数据集中的包含m类表情的n张标准人脸表情图像分别切分成多个表情图像块,将每个表情图像块输入到初始化卷积神经网络进行分类训练,通过对初始化卷积神经网络进行优化,构建深度卷积神经网络模型。其中,切分处理可以根据实际情况的需要将检测到的5个人脸关键点作为表情图像块的中心进行切分,此处不对切分处理作具体限定;定义好的卷积神经网络可以根据实际情况的需要由n层卷积层、1层全连接层和1层Softmax层组成,n>6,此处不对卷积神经网络的结构作具体限定。
3)将标准人脸表情数据集中标准人脸表情图像的多个表情图像块输入到构建的深度卷积神经网络模型中,提取标准人脸表情的多个表情图像块的图像深度卷积特征,从而建立基于表情图像的表情图像块的深度卷积特征的训练集。
实施中,预设的混合高斯模型的训练过程具体为:
根据建立的基于表情图像的表情图像块的深度卷积特征的训练集,设定混合高斯模型包含N个高斯模型,根据训练集中的深度卷积特征,利用最大期望算法(EM算法:Expectation Maximization Algorithm)优化每个高斯模型的参数,从而进一步得到训练好的混合高斯模型,以便利用训练好的混合高斯模型,对标准人脸表情图像中多个表情图像块的深度卷积特征进行拟合,得到标准人脸表情图像的混合高斯模型,对标准人脸表情图像的混合高斯模型的权重、均值和方差分别求偏导,通过级联的方式得到标准人脸表情图像的费舍尔向量。
实施中,还包括:通过对标准人脸表情图像的费舍尔向量进行L2范数归一化和主成分分析(PCA:Principal Component Analysis)降维处理,建立用于训练初始化支持向量机模型的训练集,训练集中包括不同类别的标准人脸表情图像的费舍尔向量。
实施中,基于不同类别的标准人脸表情图像的费舍尔向量的支持向量机模型的训练过程具体为:
以One-vs-Rest线性支持向量机模型为例,设定划分K种人脸表情类别,在抽取训练集时,分别抽取每一个类别对应的费舍尔向量作为训练集的正样本集,余下类别对应的费舍尔向量作为训练集的负样本集,通过训练得到K个二分类的线性支持向量机模型。
可见,本实施通过深度卷积特征和费舍尔向量编码相结合的方式提取人脸表情特征,提升人脸表情特征的可区分性,从而能够利用具备基础功能的识别网络实现对人脸表情图像的精确识别。
本申请以具体场景为例,对本申请实施例1进行详细描述。
本申请实施例应用范围包括但不限于人脸表情的识别,以人脸表情的识别为例,具体流程如下:
步骤201:根据设定的人脸关键点选择规则,将待识别人脸表情图像切分成多个表情图像块。
步骤202:利用深度卷积神经网络模型提取多个表情图像块的深度卷积特征。
步骤203:利用预设的混合高斯模型,对多个表情图像块的深度卷积特征进行费舍尔向量编码融合,通过级联的方式得到待识别表情图像的费舍尔向量。
步骤204:将待识别表情图像的费舍尔向量输入预设的识别网络,得到待识别表情图像的识别结果。例如,将待识别表情图像的费舍尔向量输入K个二分类的线性支持向量机模型,得到K个评分结果(S1,…,SK),则识别结果为评分结果中最大分类函数值所属的人脸表情类别。
以上所述,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
实施例2
基于同一发明构思,本申请实施例中还提供了一种表情识别的云系统,由于这些设备解决问题的原理与一种表情识别的方法相似,因此这些设备的实施可以参见方法的实施,重复之处不再赘述。
图3示出了本申请实施例二中表情识别的云系统架构图,如图3所示,表情识别的云系统300可以包括:
特征提取网络301,用于将待识别表情图像切分成多个表情图像块;以及,
根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量;
识别网络302,用于利用预设的识别网络对所述待识别表情图像的费舍尔向量进行识别,得到所述待识别表情图像的识别结果。
在本实施例中,所述将所述待识别表情图像切分成多个表情图像块,包括:
当检测到所述待识别表情图像为人脸图像时,确定所述待识别表情图像中的人脸关键点;
根据所述人脸关键点对所述待识别表情图像进行切分处理,得到多个表情图像块。
在本实施例中,所述根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量,包括:
对所述多个表情图像块进行特征提取,得到所述多个表情图像块的深度卷积特征;
利用预设的混合高斯模型,对所述多个表情图像块的深度卷积特征进行费舍尔向量编码计算,得到所述待识别表情图像的费舍尔向量。
在本实施例中,所述预设的混合高斯模型的训练过程包括:
根据训练集中每个表情图像的表情图像块的深度卷积特征,训练得到多个高斯模型;
利用所述多个高斯模型,对每个表情图像中的表情图像块的深度卷积特征进行拟合处理,得到训练好的混合高斯模型。
实施例3
基于同一发明构思,本申请实施例中还提供了一种电子设备,由于其原理与一种表情识别的方法相似,因此其实施可以参见方法的实施,重复之处不再赘述。
图4示出了本申请实施例三中电子设备的结构示意图,如图4所示,所述电子设备包括:收发设备401,存储器402,一个或多个处理器403;以及一个或多个模块,所述一个或多个模块被存储在所述存储器中,并被配置成由所述一个或多个处理器执行,所述一个或多个模块包括用于执行任一上述方法中各个步骤的指令。
实施例4
基于同一发明构思,本申请实施例还提供了一种与电子设备结合使用的计算机程序产品,由于其原理与一种表情识别的方法相似,因此其实施可以参见方法的实施,重复之处不再赘述。所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制,所述计算机程序机制包括用于执行任一上述方法中各个步骤的指令。
为了描述的方便,以上所述装置的各部分以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
Claims (10)
1.一种表情识别的方法,其特征在于,包括:
将待识别表情图像切分成多个表情图像块;
根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量;
利用预设的识别网络对所述待识别表情图像的费舍尔向量进行识别,得到所述待识别表情图像的识别结果。
2.如权利要求1所述的方法,其特征在于,所述将所述待识别表情图像切分成多个表情图像块,包括:
当检测到所述待识别表情图像为人脸图像时,确定所述待识别表情图像中的人脸关键点;
根据所述人脸关键点对所述待识别表情图像进行切分处理,得到多个表情图像块。
3.如权利要求1或2所述的方法,其特征在于,所述根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量,包括:
对所述多个表情图像块进行特征提取,得到所述多个表情图像块的深度卷积特征;
利用预设的混合高斯模型,对所述多个表情图像块的深度卷积特征进行费舍尔向量编码计算,得到所述待识别表情图像的费舍尔向量。
4.如权利要求3所述的方法,其特征在于,所述预设的混合高斯模型的训练过程包括:
根据训练集中每个表情图像的表情图像块的深度卷积特征,训练得到多个高斯模型;
利用所述多个高斯模型,对每个表情图像中的表情图像块的深度卷积特征进行拟合处理,得到训练好的混合高斯模型。
5.一种表情识别的云系统,其特征在于,包括:
特征提取网络,用于将待识别表情图像切分成多个表情图像块;以及,
根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量;
识别网络,用于利用预设的识别网络对所述待识别表情图像的费舍尔向量进行识别,得到所述待识别表情图像的识别结果。
6.如权利要求5所述的云系统,其特征在于,所述将所述待识别表情图像切分成多个表情图像块,包括:
当检测到所述待识别表情图像为人脸图像时,确定所述待识别表情图像中的人脸关键点;
根据所述人脸关键点对所述待识别表情图像进行切分处理,得到多个表情图像块。
7.如权利要求5或6所述的云系统,其特征在于,所述根据所述多个表情图像块,得到所述待识别表情图像的费舍尔向量,包括:
对所述多个表情图像块进行特征提取,得到所述多个表情图像块的深度卷积特征;
利用预设的混合高斯模型,对所述多个表情图像块的深度卷积特征进行费舍尔向量编码计算,得到所述待识别表情图像的费舍尔向量。
8.如权利要求7所述的云系统,其特征在于,所述预设的混合高斯模型的训练过程包括:
根据训练集中每个表情图像的表情图像块的深度卷积特征,训练得到多个高斯模型;
利用所述多个高斯模型,对每个表情图像中的表情图像块的深度卷积特征进行拟合处理,得到训练好的混合高斯模型。
9.一种电子设备,其特征在于,所述电子设备包括:
收发设备,存储器,一个或多个处理器;以及
一个或多个模块,所述一个或多个模块被存储在所述存储器中,并被配置成由所述一个或多个处理器执行,所述一个或多个模块包括用于执行权利要求1-4中任一所述方法中各个步骤的指令。
10.一种与电子设备结合使用的计算机程序产品,所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制,所述计算机程序机制包括用于执行权利要求1-4中任一所述方法中各个步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106766.6A CN108399370A (zh) | 2018-02-02 | 2018-02-02 | 表情识别的方法及云系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106766.6A CN108399370A (zh) | 2018-02-02 | 2018-02-02 | 表情识别的方法及云系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108399370A true CN108399370A (zh) | 2018-08-14 |
Family
ID=63095762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810106766.6A Pending CN108399370A (zh) | 2018-02-02 | 2018-02-02 | 表情识别的方法及云系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399370A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977925A (zh) * | 2019-04-22 | 2019-07-05 | 北京字节跳动网络技术有限公司 | 表情确定方法、装置及电子设备 |
CN111402275A (zh) * | 2020-04-27 | 2020-07-10 | Oppo广东移动通信有限公司 | 镂空检测方法、系统、设备及存储介质 |
CN111444911A (zh) * | 2019-12-13 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 车牌识别模型的训练方法及装置、车牌识别方法及装置 |
CN111695383A (zh) * | 2019-03-14 | 2020-09-22 | 北京奇虎科技有限公司 | 针对表情的图像处理方法、装置以及电子设备 |
CN116311477A (zh) * | 2023-05-15 | 2023-06-23 | 华中科技大学 | 一种面向跨身份一致性的面部运动单元检测模型构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004012149A1 (en) * | 2002-07-29 | 2004-02-05 | Honda Giken Kogyo Kabushiki Kaisha | Extended isomap using fisher linear discriminant and kernel fisher linear discriminant |
CN105335758A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于视频费舍尔向量描述符的车型识别方法 |
CN106169073A (zh) * | 2016-07-11 | 2016-11-30 | 北京科技大学 | 一种表情识别方法及系统 |
CN106295566A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸表情识别方法及装置 |
CN106897671A (zh) * | 2017-01-19 | 2017-06-27 | 山东中磁视讯股份有限公司 | 一种基于光流和FisherVector编码的微表情识别方法 |
CN107133640A (zh) * | 2017-04-24 | 2017-09-05 | 河海大学 | 基于局部图像块描述子和费舍尔向量的图像分类方法 |
CN107229952A (zh) * | 2017-06-01 | 2017-10-03 | 雷柏英 | 图像的识别方法及装置 |
-
2018
- 2018-02-02 CN CN201810106766.6A patent/CN108399370A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004012149A1 (en) * | 2002-07-29 | 2004-02-05 | Honda Giken Kogyo Kabushiki Kaisha | Extended isomap using fisher linear discriminant and kernel fisher linear discriminant |
CN105335758A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于视频费舍尔向量描述符的车型识别方法 |
CN106169073A (zh) * | 2016-07-11 | 2016-11-30 | 北京科技大学 | 一种表情识别方法及系统 |
CN106295566A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸表情识别方法及装置 |
CN106897671A (zh) * | 2017-01-19 | 2017-06-27 | 山东中磁视讯股份有限公司 | 一种基于光流和FisherVector编码的微表情识别方法 |
CN107133640A (zh) * | 2017-04-24 | 2017-09-05 | 河海大学 | 基于局部图像块描述子和费舍尔向量的图像分类方法 |
CN107229952A (zh) * | 2017-06-01 | 2017-10-03 | 雷柏英 | 图像的识别方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695383A (zh) * | 2019-03-14 | 2020-09-22 | 北京奇虎科技有限公司 | 针对表情的图像处理方法、装置以及电子设备 |
CN109977925A (zh) * | 2019-04-22 | 2019-07-05 | 北京字节跳动网络技术有限公司 | 表情确定方法、装置及电子设备 |
CN111444911A (zh) * | 2019-12-13 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 车牌识别模型的训练方法及装置、车牌识别方法及装置 |
CN111444911B (zh) * | 2019-12-13 | 2021-02-26 | 珠海大横琴科技发展有限公司 | 车牌识别模型的训练方法及装置、车牌识别方法及装置 |
CN111402275A (zh) * | 2020-04-27 | 2020-07-10 | Oppo广东移动通信有限公司 | 镂空检测方法、系统、设备及存储介质 |
CN116311477A (zh) * | 2023-05-15 | 2023-06-23 | 华中科技大学 | 一种面向跨身份一致性的面部运动单元检测模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399370A (zh) | 表情识别的方法及云系统 | |
CN108229555B (zh) | 样本权重分配方法、模型训练方法、电子设备及存储介质 | |
CN107247947A (zh) | 人脸属性识别方法及装置 | |
CN111325223B (zh) | 深度学习模型的训练方法、装置和计算机可读存储介质 | |
CN108235770A (zh) | 图像识别方法及云端系统 | |
CN111369428B (zh) | 虚拟头像生成方法和装置 | |
CN108197668A (zh) | 模型数据集的建立方法及云系统 | |
CN108304859A (zh) | 图像识别方法及云端系统 | |
CN107506350A (zh) | 一种识别信息的方法和设备 | |
CN112241715A (zh) | 模型训练方法、表情识别方法、装置、设备及存储介质 | |
CN103631874B (zh) | 社交平台的ugc标签类别确定方法和装置 | |
CN109472305A (zh) | 答案质量确定模型训练方法、答案质量确定方法及装置 | |
CN113240778A (zh) | 虚拟形象的生成方法、装置、电子设备和存储介质 | |
CN108734078A (zh) | 图像处理方法、装置、电子设备、存储介质及程序 | |
CN113902956B (zh) | 融合模型的训练方法、图像融合方法、装置、设备及介质 | |
CN112561056A (zh) | 神经网络模型的训练方法、装置、电子设备和存储介质 | |
CN108229363A (zh) | 关键帧调度方法和装置、电子设备、程序和介质 | |
CN105426882A (zh) | 一种人脸图像中快速定位人眼的方法 | |
CN113177449A (zh) | 人脸识别的方法、装置、计算机设备及存储介质 | |
CN107918688A (zh) | 场景模型动态估计方法、数据分析方法及装置、电子设备 | |
CN108664860A (zh) | 房间平面图的识别方法及装置 | |
CN113726545A (zh) | 基于知识增强生成对抗网络的网络流量生成方法及装置 | |
CN108829777A (zh) | 一种聊天机器人的问题答复方法及装置 | |
CN111862031A (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
CN108229680A (zh) | 神经网络系统、遥感图像识别方法、装置、设备及介质 |
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: 20180814 |