CN108446609B - 一种基于生成对抗网络的多角度面部表情识别方法 - Google Patents
一种基于生成对抗网络的多角度面部表情识别方法 Download PDFInfo
- Publication number
- CN108446609B CN108446609B CN201810173858.6A CN201810173858A CN108446609B CN 108446609 B CN108446609 B CN 108446609B CN 201810173858 A CN201810173858 A CN 201810173858A CN 108446609 B CN108446609 B CN 108446609B
- Authority
- CN
- China
- Prior art keywords
- expression
- face
- network
- image
- angle
- 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.)
- Active
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种基于生成对抗网络的多角度面部表情识别方法,该方法包括以下步骤:S1步骤:通过构建多角度人脸生成对抗网络来学习由侧脸图像生成正脸图像的变换关系;S2步骤:使用正脸表情图像训练用于判别正脸表情类别的深度神经网络;S3步骤:将多角度人脸生成对抗网络的低层部分与正脸表情判别网络的高层相连接,形成一个判别侧脸表情类别的深度神经网络;S4步骤:将一个侧脸表情图像T输入到深度神经网络,得到对该图像中面部表情的识别结果。本方法在两个标准人脸表情图像数据库上进行了大量测试,结果显示该方法实现了在缺乏侧脸表情图像训练数据时对多角度侧脸图像的面部表情识别功能。
Description
技术领域
本发明涉及一种基于生成对抗网络的多角度面部表情识别方法,属于图像识别技术领域。
背景技术
表情识别一直都是人脸属性分析领域一个重要课题,目的是通过计算机视觉从人脸关键区域提取到可以识别表情的信息,并对该信息进行分类融合。随着计算机处理能力的显著提高,该技术在众多领域都有越来越广泛的应用。
人们对类似于人和人交流方式的人机交互的需求日益强烈。计算机和机器人如果能够像人类那样具有理解和表达情感的能力,将从根本上改变人与计算机之间的关系,使计算机能够更好地为人类服务。表情识别是情感理解的基础,是计算机理解人们情感的前提,也是人们探索和理解智能的有效途径。如果实现计算机对人脸表情的理解与识别将从根本上改变人与计算机的关系,这将对未来人机交互领域产生重大的意义。
发明内容
本发明的目的旨在提出一种基于生成对抗网络的多角度面部表情识别方法,该方法针对多角度表情图像的识别,提供一种在仅有正脸和侧脸无表情人脸图像的情况下,准确识别多角度侧脸表情的人脸表情识别系统。
本发明实现上述目的的技术解决方案是:一种基于生成对抗网络的多角度面部表情识别方法,该方法包括以下步骤:
S1步骤:通过构建多角度人脸生成对抗网络MVFGAN来学习由侧脸图像生成正脸图像的变换关系,所述侧脸图像定义为无表情,正脸图像定义为有表情;
S2步骤:使用正脸表情图像训练用于判别正脸表情类别的深度神经网络FFERN;
S3步骤:将多角度人脸生成对抗网络MVFGAN的低层部分与正脸表情判别网络FFERN的高层相连接,形成一个判别侧脸表情类别的深度神经网络MVFFERN;
S4步骤:将一个侧脸表情图像T输入到深度神经网络MVFFERN,得到对该图像中面部表情的识别结果。
优选地,所述S1步骤中的多角度人脸生成对抗网络MVFGAN包括生成器和判别器,所述生成器用于生成预测的正脸图片,所述判别器用于判别预测的正脸图片是否为原始正脸图片。
优选地,所述生成器的构造为8层卷积层和8层转置卷积层,卷积层的卷积核尺寸均为5×5,步长为2,用于将256×256×3的图片的维度压缩;转置卷积层的转置卷积核尺寸也均为5×5,步长为2,用于将压缩后的向量复原为256×256×3的预测图片;判别器的构造为4层卷积层和1层softmax分类层,卷积层卷积核尺寸为5×5。
优选地,所述S1步骤包括以下步骤:
截取人脸方法步骤:首先,取90°摄像机拍摄图片为正脸表情图片Z,利用人脸检测器,正脸表情图片Z中严肃表情图片进行人脸检测,截取人脸区域;然后,利用人脸关键点进行人脸配准处理,得到配准后的人脸表情图像集Y;
训练过程步骤:将某角度侧脸严肃表情图片Y’输入生成器,由生成器生成预测后的正脸图片,再将原始正脸图片和预测的虚假正脸输入判别器,判别器判别是否原始正脸,根据判别结果迭代生成器的网络参数;
数据处理步骤:将处理好的数据,即侧脸某角度有表情图片输入训练好的MVFGAN中,输出预测的侧脸图像和多级深度特征。
优选地,数据库为Multipie多角度人脸表情库,其中含有六种表情,分别是严肃(neutral)、高兴(happy)、惊讶(surprise)、眨眼(squint)、嫌弃(disgust)、尖叫(scream),摄像机拍摄角度分别为0°、15°、30°、45°、60°、75°或90°。
优选地,所述S2步骤中训练判别正脸表情类别的深度神经网络FFERN的具体方法为:将正脸表情图片Z中的全部表情图片贴上类别标签,输入判别正脸表情类别的深度神经网络FFERN,训练迭代FFERN的网络模型参数。
优选地,所述S2步骤中的FFERN的网络结构为两层256×256×64的卷积层,两层128×128×64的卷积层,三层64×64×128的卷积层,三层32×32×256的卷积层,三层16×16×512的卷积层,3层全连接层。
优选地,所述S3步骤中连接生成对抗网络MVFGAN与正脸表情判别网络FFERN的具体方法为:将生成对抗网络的生成器的128×128×64维中层输出与卷积神经网络的128×128×64维中层输入连接,形成一个判别侧脸表情类别的深度神经网络MVFFERN。
优选地,所述S4步骤中侧脸表情识别的具体方法为:将侧脸图像T输入到深度神经网络MVFFERN中,获得表情判别结果。
本发明技术方案的优点主要体现在:本发明将生成对抗网络和卷积神经网络融合,形成了判别侧脸表情类别的深度神经网络MVFFERN,将侧脸作为生成对抗网络的输入之一,而不是传统中将随机变量作为输入,从而保存了侧脸图片的特征信息,使用生成对抗网络提取侧脸特征,并学习从侧脸到正脸图片的映射关系,提升整体识别准确率;将多种特征融合并使用卷积神经网络(CNN)对提取到的特征进行分类,能够极大地提升多角度人脸表情识别的准确率。
附图说明
图1是本发明的一种基于生成对抗网络的多角度面部表情识别方法的整体流程图。
具体实施方式
本发明的目的、优点和特点,将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例,凡采取等同替换或者等效变换而形成的技术方案,均落在本发明要求保护的范围之内。
本发明揭示了一种基于生成对抗网络的多角度面部表情识别方法,该方法首先通过构建多角度人脸生成对抗网络MVFGAN来学习侧脸图像(无表情)到正脸图像(无表情)的映射关系,由侧脸图像合成正脸图像,以及相应的多级深度特征。同时,使用正脸表情图像训练用于判别正脸表情类别的深度神经网络FFERN。
具体地,如图1所示,该方法包括以下步骤:
S1步骤:通过构建多角度人脸生成对抗网络MVFGAN来学习由侧脸图像生成正脸图像的变换关系,所述侧脸图像定义为无表情,正脸图像定义为有表情;
S2步骤:使用正脸表情图像训练用于判别正脸表情类别的深度神经网络FFERN;
S3步骤:将多角度人脸生成对抗网络MVFGAN的低层部分与正脸表情判别网络FFERN的高层相连接,形成一个判别侧脸表情类别的深度神经网络MVFFERN;
S4步骤:将一个侧脸表情图像T输入到深度神经网络MVFFERN,得到对该图像中面部表情的识别结果。
学习由侧脸图像生成正脸图像的变换关系具体方法为:所述S1步骤中的多角度人脸生成对抗网络MVFGAN包括生成器和判别器,所述生成器用于生成预测的正脸图片,所述判别器用于判别预测的正脸图片是否为原始正脸图片。具体地,所述生成器的构造为8层卷积层和8层转置卷积层,卷积层的卷积核尺寸均为5×5,步长为2,用于将256×256×3的图片的维度压缩;转置卷积层的转置卷积核尺寸也均为5×5,步长为2,用于将压缩后的向量复原为256×256×3的预测图片;判别器的构造为4层卷积层和1层softmax分类层,卷积层卷积核尺寸为5×5。
具体地,所述S1步骤包括以下步骤:截取人脸方法步骤:首先,取90°摄像机拍摄图片为正脸表情图片Z,利用人脸检测器,正脸表情图片Z中严肃表情图片进行人脸检测,截取人脸区域;然后,利用人脸关键点进行人脸配准处理,得到配准后的人脸表情图像集Y;
训练过程步骤:将某角度侧脸严肃表情图片Y’输入生成器,由生成器生成预测后的正脸图片,再将原始正脸图片和预测的虚假正脸输入判别器,判别器判别是否原始正脸,根据判别结果迭代生成器的网络参数;
数据处理步骤:将处理好的数据,即侧脸某角度有表情图片输入训练好的MVFGAN中,输出预测的侧脸图像和多级深度特征。
所述数据库为Multipie多角度人脸表情库,其中含有六种表情,分别是严肃(neutral)、高兴(happy)、惊讶(surprise)、眨眼(squint)、嫌弃(disgust)、尖叫(scream),摄像机拍摄角度分别为0°、15°、30°、45°、60°、75°或90°,在本技术方案中,所述摄像机的拍摄角度优选为90°。
所述S2步骤中训练判别正脸表情类别的深度神经网络FFERN的具体方法为:将正脸表情图片Z中的全部表情图片贴上类别标签,输入判别正脸表情类别的深度神经网络FFERN,训练迭代FFERN的网络模型参数。所述S2步骤中的FFERN的网络结构为两层256×256×64的卷积层,两层128×128×64的卷积层,三层64×64×128的卷积层,三层32×32×256的卷积层,三层16×16×512的卷积层,3层全连接层。
所述S3步骤中连接生成对抗网络MVFGAN与正脸表情判别网络FFERN的具体方法为:将生成对抗网络的生成器的128×128×64维中层输出与卷积神经网络的128×128×64维中层输入连接,形成一个判别侧脸表情类别的深度神经网络MVFFERN。
所述S4步骤中侧脸表情识别的具体方法为:将侧脸图像T输入到深度神经网络MVFFERN中,获得表情判别结果。
本方法将多角度人脸生成对抗网络MVFGAN的低层部分与正脸表情判别网络FFERN的高层相连接,形成一个判别侧脸表情类别的深度神经网络MVFFERN。由于MVFFERN中的低层部分是侧脸图像到正脸图像的映射,高层部分是对正脸表情图像中表情语义的描述。因此,本方法利用生成对抗网络将多角度侧脸表情识别问题分解为(1)侧脸图像到正脸图像的映射和(2)正脸表情图像的判别。本方法在两个标准人脸表情图像数据库上进行了大量测试,结果表明本发明实现了在缺乏侧脸表情图像训练数据时对多角度侧脸图像的面部表情识别功能。
本发明尚有多种实施方式,凡采用等同变换或者等效变换而形成的所有技术方案,均落在本发明的保护范围之内。
Claims (7)
1.一种基于生成对抗网络的多角度面部表情识别方法,其特征在于:该方法包括以下步骤:
S1步骤:通过构建多角度人脸生成对抗网络MVFGAN来学习由侧脸图像生成正脸图像的变换关系,所述侧脸图像定义为无表情,正脸图像定义为有表情;
S2步骤:使用正脸表情图像训练用于判别正脸表情类别的深度神经网络FFERN;
S3步骤:将多角度人脸生成对抗网络MVFGAN的低层部分与正脸表情判别网络FFERN的高层相连接,形成一个判别侧脸表情类别的深度神经网络MVFFERN;
S4步骤:将一个侧脸表情图像T输入到深度神经网络MVFFERN,得到对该图像中面部表情的识别结果;
所述S1步骤中的多角度人脸生成对抗网络MVFGAN包括生成器和判别器,所述生成器用于生成预测的正脸图片,所述判别器用于判别预测的正脸图片是否为原始正脸图片;
所述S1步骤包括以下步骤:
截取人脸方法步骤:首先,取90°摄像机拍摄图片为正脸表情图片Z,利用人脸检测器,正脸表情图片Z中严肃表情图片进行人脸检测,截取人脸区域;然后,利用人脸关键点进行人脸配准处理,得到配准后的人脸表情图像集Y;
训练过程步骤:将某角度侧脸严肃表情图片Y’输入生成器,由生成器生成预测后的正脸图片,再将原始正脸图片和预测的虚假正脸输入判别器,判别器判别是否原始正脸,根据判别结果迭代生成器的网络参数;
数据处理步骤:将处理好的数据,即侧脸某角度有表情图片输入训练好的MVFGAN中,输出预测的侧脸图像和多级深度特征。
2.根据权利要求1所述的一种基于生成对抗网络的多角度面部表情识别方法,其特征在于:所述生成器的构造为8层卷积层和8层转置卷积层,卷积层的卷积核尺寸均为5×5,步长为2,用于将256×256×3的图片的维度压缩;转置卷积层的转置卷积核尺寸也均为5×5,步长为2,用于将压缩后的向量复原为256×256×3的预测图片;判别器的构造为4层卷积层和1层softmax分类层,卷积层卷积核尺寸为5×5。
3.根据权利要求1所述的一种基于生成对抗网络的多角度面部表情识别方法,其特征在于:数据库为Multipie多角度人脸表情库,其中含有六种表情,分别是严肃(neutral)、高兴(happy)、惊讶(surprise)、眨眼(squint)、嫌弃(disgust)、尖叫(scream),摄像机拍摄角度分别为0°、15°、30°、45°、60°、75°或90°。
4.根据权利要求1所述的一种基于生成对抗网络的多角度面部表情识别方法,其特征在于:所述S2步骤中训练判别正脸表情类别的深度神经网络FFERN的具体方法为:将正脸表情图片Z中的全部表情图片贴上类别标签,输入判别正脸表情类别的深度神经网络FFERN,训练迭代FFERN的网络模型参数。
5.根据权利要求4所述的一种基于生成对抗网络的多角度面部表情识别方法,其特征在于:所述S2步骤中的FFERN的网络结构为两层256×256×64的卷积层,两层128×128×64的卷积层,三层64×64×128的卷积层,三层32×32×256的卷积层,三层16×16×512的卷积层,3层全连接层。
6.根据权利要求1所述的一种基于生成对抗网络的多角度面部表情识别方法,其特征在于:所述S3步骤中连接生成对抗网络MVFGAN与正脸表情判别网络FFERN的具体方法为:将生成对抗网络的生成器的128×128×64维中层输出与卷积神经网络的128×128×64维中层输入连接,形成一个判别侧脸表情类别的深度神经网络MVFFERN。
7.根据权利要求1所述的一种基于生成对抗网络的多角度面部表情识别方法,其特征在于:所述S4步骤中侧脸表情识别的具体方法为:将侧脸图像T输入到深度神经网络MVFFERN中,获得表情判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810173858.6A CN108446609B (zh) | 2018-03-02 | 2018-03-02 | 一种基于生成对抗网络的多角度面部表情识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810173858.6A CN108446609B (zh) | 2018-03-02 | 2018-03-02 | 一种基于生成对抗网络的多角度面部表情识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446609A CN108446609A (zh) | 2018-08-24 |
CN108446609B true CN108446609B (zh) | 2022-03-11 |
Family
ID=63192886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810173858.6A Active CN108446609B (zh) | 2018-03-02 | 2018-03-02 | 一种基于生成对抗网络的多角度面部表情识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446609B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409222B (zh) * | 2018-09-20 | 2020-10-30 | 中国地质大学(武汉) | 一种基于移动端的多视角人脸表情识别方法 |
CN109389081A (zh) * | 2018-09-30 | 2019-02-26 | Oppo广东移动通信有限公司 | 多媒体数据处理方法及装置、可读存储介质 |
CN109389551B (zh) * | 2018-10-08 | 2023-04-07 | 清华大学 | 中性表情正向人脸图片方法及装置 |
CN109377535A (zh) * | 2018-10-24 | 2019-02-22 | 电子科技大学 | 面部属性自动编辑系统、方法、存储介质和终端 |
CN109284738B (zh) * | 2018-10-25 | 2020-08-04 | 上海交通大学 | 不规则人脸矫正方法和系统 |
CN109523478B (zh) * | 2018-11-09 | 2021-06-04 | 智慧眼科技股份有限公司 | 图像去网格方法、存储介质 |
CN109829959B (zh) * | 2018-12-25 | 2021-01-08 | 中国科学院自动化研究所 | 基于人脸解析的表情编辑方法及装置 |
CN109784243B (zh) * | 2018-12-29 | 2021-07-09 | 网易(杭州)网络有限公司 | 身份确定方法及装置、神经网络训练方法及装置、介质 |
CN111435421B (zh) * | 2019-01-11 | 2023-12-19 | 北京邮电大学 | 一种面向交通目标的车辆重识别方法和装置 |
CN109815928B (zh) * | 2019-01-31 | 2021-05-11 | 中国电子进出口有限公司 | 一种基于对抗学习的人脸图像合成方法和装置 |
CN110046653B (zh) * | 2019-03-22 | 2021-05-25 | 赣州好朋友科技有限公司 | 一种基于xrt射线的白钨分选方法和系统 |
CN110276252B (zh) * | 2019-05-15 | 2021-07-30 | 北京大学 | 一种基于生成式对抗网络的抗表情干扰的人脸识别方法 |
CN110188656B (zh) * | 2019-05-27 | 2023-03-24 | 南京邮电大学 | 多角度人脸表情图像的生成与识别方法 |
CN110188706B (zh) * | 2019-06-03 | 2022-04-19 | 南京邮电大学 | 基于生成对抗网络的视频中人物表情的神经网络训练方法及检测方法 |
CN110210429B (zh) * | 2019-06-06 | 2022-11-29 | 山东大学 | 一种基于光流、图像、运动对抗生成网络提高焦虑、抑郁、愤怒表情识别正确率的方法 |
CN110222668B (zh) * | 2019-06-17 | 2020-12-22 | 苏州大学 | 基于生成对抗网络的多姿态面部表情识别方法 |
CN110399811A (zh) * | 2019-07-08 | 2019-11-01 | 厦门市美亚柏科信息股份有限公司 | 一种人脸识别方法、装置及存储介质 |
WO2021019360A1 (ja) * | 2019-07-31 | 2021-02-04 | 株式会社半導体エネルギー研究所 | 疲労度評価システム、および疲労度評価装置 |
CN110647986A (zh) * | 2019-08-13 | 2020-01-03 | 杭州电子科技大学 | 一种基于对抗式生成网络的道路破损图像生成方法 |
CN110647864A (zh) * | 2019-09-30 | 2020-01-03 | 上海依图网络科技有限公司 | 基于生成对抗网络的单人多图特征识别方法、设备及介质 |
CN111191564A (zh) * | 2019-12-26 | 2020-05-22 | 三盟科技股份有限公司 | 基于多角度神经网络的多姿态人脸情绪识别方法及系统 |
CN111274987B (zh) * | 2020-02-10 | 2023-10-20 | 广东九联科技股份有限公司 | 人脸表情识别方法及人脸表情识别装置 |
CN111382684B (zh) * | 2020-03-02 | 2022-09-06 | 中国科学技术大学 | 基于对抗学习的角度鲁棒的个性化人脸表情识别方法 |
CN111860151B (zh) * | 2020-06-12 | 2022-08-26 | 南京邮电大学 | 一种无监督跨角度面部表情图像识别方法 |
CN111860362A (zh) * | 2020-07-24 | 2020-10-30 | 北京百度网讯科技有限公司 | 生成人脸图像校正模型及校正人脸图像的方法和装置 |
CN112036281B (zh) * | 2020-07-29 | 2023-06-09 | 重庆工商大学 | 基于改进胶囊网络的人脸表情识别方法 |
CN112149651B (zh) * | 2020-11-25 | 2021-05-07 | 深圳点猫科技有限公司 | 一种基于深度学习的人脸表情识别方法、装置及设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120018479A (ko) * | 2010-08-23 | 2012-03-05 | 에스케이플래닛 주식회사 | 얼굴 표정 및 동작 인식을 이용한 아바타 제공 서버 및 그 방법 |
CN103186774B (zh) * | 2013-03-21 | 2016-03-09 | 北京工业大学 | 一种基于半监督学习的多姿态人脸表情识别方法 |
CN203675239U (zh) * | 2013-12-25 | 2014-06-25 | 孙雪松 | 一种医疗用三维立体影像镜系统 |
WO2017058733A1 (en) * | 2015-09-29 | 2017-04-06 | BinaryVR, Inc. | Head-mounted display with facial expression detecting capability |
CN105447473B (zh) * | 2015-12-14 | 2019-01-08 | 江苏大学 | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 |
CN105737020A (zh) * | 2016-03-25 | 2016-07-06 | 浙江工业大学 | 通过识别脸部表情的智能负氧离子月亮交互灯 |
CN106951867B (zh) * | 2017-03-22 | 2019-08-23 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
CN107292813B (zh) * | 2017-05-17 | 2019-10-22 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
CN107239766A (zh) * | 2017-06-08 | 2017-10-10 | 深圳市唯特视科技有限公司 | 一种利用对抗网络和三维形态模型的大幅度人脸摆正方法 |
CN107316015B (zh) * | 2017-06-19 | 2020-06-30 | 南京邮电大学 | 一种基于深度时空特征的高精度面部表情识别方法 |
CN107423707A (zh) * | 2017-07-25 | 2017-12-01 | 深圳帕罗人工智能科技有限公司 | 一种基于复杂环境下的人脸情绪识别方法 |
CN107437077A (zh) * | 2017-08-04 | 2017-12-05 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的旋转面部表示学习的方法 |
CN107742117A (zh) * | 2017-11-15 | 2018-02-27 | 北京工业大学 | 一种基于端到端模型的人脸表情识别方法 |
-
2018
- 2018-03-02 CN CN201810173858.6A patent/CN108446609B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108446609A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446609B (zh) | 一种基于生成对抗网络的多角度面部表情识别方法 | |
Hu et al. | Video facial emotion recognition based on local enhanced motion history image and CNN-CTSLSTM networks | |
Zhang et al. | On geometric features for skeleton-based action recognition using multilayer lstm networks | |
Coşkun et al. | Face recognition based on convolutional neural network | |
Huang et al. | Sign language recognition using 3d convolutional neural networks | |
CN108596039B (zh) | 一种基于3d卷积神经网络的双模态情感识别方法及系统 | |
Hong et al. | Multimodal deep autoencoder for human pose recovery | |
Jiang et al. | Action recognition scheme based on skeleton representation with DS-LSTM network | |
Guo et al. | Object discovery and grasp detection with a shared convolutional neural network | |
Liu et al. | Transferable feature representation for visible-to-infrared cross-dataset human action recognition | |
Jalal et al. | American sign language posture understanding with deep neural networks | |
CN110175248B (zh) | 一种基于深度学习和哈希编码的人脸图像检索方法和装置 | |
CN111444488A (zh) | 一种基于动态手势的身份认证方法 | |
CN110188656B (zh) | 多角度人脸表情图像的生成与识别方法 | |
Pandey et al. | Face Recognition Using Machine Learning | |
Fukui et al. | Discriminant feature extraction by generalized difference subspace | |
Shaik et al. | Learning multiview deep features from skeletal sign language videos forrecognition | |
Bekhet et al. | A robust deep learning approach for glasses detection in non‐standard facial images | |
Sharma et al. | Deepfakes Classification of Faces Using Convolutional Neural Networks. | |
Ma et al. | Cascade transformer decoder based occluded pedestrian detection with dynamic deformable convolution and Gaussian projection channel attention mechanism | |
Das et al. | A fusion of appearance based CNNs and temporal evolution of skeleton with LSTM for daily living action recognition | |
Ji et al. | Human‐like sign‐language learning method using deep learning | |
Guo et al. | Facial expression recognition: a review | |
Li et al. | Hybrid rgb-d object recognition using convolutional neural network and fisher vector | |
Gao et al. | Spatial-structure Siamese network for plant identification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |