CN110781828A - 一种基于微表情的疲劳状态检测方法 - Google Patents
一种基于微表情的疲劳状态检测方法 Download PDFInfo
- Publication number
- CN110781828A CN110781828A CN201911027427.XA CN201911027427A CN110781828A CN 110781828 A CN110781828 A CN 110781828A CN 201911027427 A CN201911027427 A CN 201911027427A CN 110781828 A CN110781828 A CN 110781828A
- Authority
- CN
- China
- Prior art keywords
- micro
- expression
- fatigue
- expressions
- fatigue state
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000001815 facial effect Effects 0.000 claims abstract description 27
- 230000002618 waking effect Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000014509 gene expression Effects 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000000540 analysis of variance Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V40/176—Dynamic expression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于微表情的疲劳状态检测方法，要解决的是现有疲劳检测中存在的问题。本发明具体步骤如下：步骤一，捕捉测试者的实时面部微表情，将实时面部微表情存储并且将实时面部微表情提取成多个特征点，然后进行数据筛选，得到个人面部数据；步骤二，采集测试者在清醒状态下和轻微疲劳状态下的面部图像，构建个性化微表情疲劳识别模型；步骤三，将个人面部数据代入个性化微表情疲劳识别模型进行分析即可。本发明的方法能有效的检测测试者是否处于疲劳状态，可针对独立个体进行检测；本发明的方法相对于传统检测手段，具有检测的精度较高、非接触、个体化强、可以根据测试者的实时状态更新疲劳情况的优势，便于推广。
Description
技术领域
本发明涉及疲劳检测领域，具体是一种基于微表情的疲劳状态检测方法。
背景技术
随着我国经济水平的快速发展和科技的发展，越来越多的家庭拥有了私家车，一户人家有多部车辆的情况十分常见，汽车已经成为人们的一种日常交通工具。汽车是由动力驱动，具有4个或4个以上车轮的非轨道承载的车辆，主要用于载运人员和货物，牵引载运人员和货物的车辆。
汽车为我们的生活带来了方便，但是近年来汽车事故经常发生，疲劳驾驶就是其中常见的一个因素。为了减少这类事故，人们会对驾驶员进行检测。目前主要是通过检测人员的生理特征和面部特征来判断是否疲劳。然而依靠脑电波等生理特征的检测手段要在车内安装检测器，实施起来比较麻烦，驾驶员座位狭小也不适于安装此类检测设备；而面部特征的检测主要依据人眼眨眼频率等判断疲劳，但每个人都具有特异性，依据眨眼频率变化等设定的通用疲劳标准并不能真实准确的反映疲劳的变化。
发明内容
本发明实施例的目的在于提供一种基于微表情的疲劳状态检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明实施例提供如下技术方案：
一种基于微表情的疲劳状态检测方法，具体步骤如下：
步骤一，捕捉测试者的实时面部微表情，将实时面部微表情存储并且将实时面部微表情提取成多个特征点，然后进行数据筛选与处理，得到个人面部数据的距离矩阵；
步骤二，预先采集测试者在清醒状态下的面部图像和轻微疲劳状态下的面部图像，构建个人的个性化微表情疲劳识别模型；
步骤三，将个人面部数据代入个性化微表情疲劳识别模型进行分析，即可判断测试者是否疲劳。
作为本发明实施例进一步的方案：步骤一中采用车载便携摄像头捕捉测试者的实时面部微表情，设备体积小，便于安装和更换。
作为本发明实施例进一步的方案：步骤一中采用基于梯度提高学习的回归树方法提取特征点，即通过多级级联的回归树进行关键点回归。
作为本发明实施例进一步的方案：基于梯度提高学习的回归树方法的公式如下：
表示第t级回归器的形状，rt表示第t级回归器的更新量，采用GBDT(GradientBoostDecisionTree)的更新策略，即每级回归器学习的都是当前形状与groundtruth形状的残差，然后对误差进行拟合，最终得到一个回归树模型。
作为本发明实施例进一步的方案：基于梯度提高学习的回归树方法的具体步骤如下：在标记了多个面部特征点的训练图像集中对人脸图像特征点进行标注，计算平均脸作为模型在测试时初始化的形状，生成一个shape(估计大致的特征点位置)，然后利用回归树方法进行训练，在训练时，将像素点强度作为特征，已标定的训练集附近的像素点和点对之间的距离作为特征池，将距离除以两眼之间的距离以进行归一化，套用集成回归树模型，模型为级联的10个回归树，每个回归树中有500个弱回归器，每个树的深度为5。
作为本发明实施例进一步的方案：步骤一中数据筛选包括计算所有特征点之间的距离，依据计算的距离构建特征矩阵，对特征矩阵进行特征筛选。
作为本发明实施例进一步的方案：特征矩阵采用68*68的特征矩阵。
作为本发明实施例进一步的方案：步骤二中采用采样频率为120帧/秒的摄像头采集测试者在清醒状态下的面部图像和轻微疲劳状态下的面部图像各7200帧。
作为本发明实施例进一步的方案：步骤二中采用K-MEANS聚类的方法对微表情进行特征表情分类，分类数量为7类，然后以360帧为一个窗口，对清醒状态下的面部图像和疲劳状态下的面部图像进行分段，统计每一段时间内7类特征表情的出现概率，再按照清醒状态和疲劳状态对7类表情的出现概率进行ANOVA显著性分析，根据7类表情的显著性，可以找到与疲劳状态相关的特征表情，对这些特征表情采用SVM(supportvectormachines)分类，得到个性化微表情疲劳识别模型。
与现有技术相比，本发明实施例的有益效果是：
本发明的方法能有效的检测测试者是否处于疲劳状态，本发明突出的优点是具有特异性，即针对独立个体进行检测；本发明的方法相对于传统检测手段，具有检测的精度较高、非接触、个体化强、可以根据测试者的实时状态更新疲劳情况的优势，同时克服安装检测设备困难的不利因素，对伪装疲劳情况也能正确判断，便于推广。
附图说明
图1为基于微表情的疲劳状态检测方法的工作步骤示意图。
图2为基于微表情的疲劳状态检测方法中列表拼接方法的示意图。
图3为基于微表情的疲劳状态检测方法中第一类表情的开始概率统计图。
图4为基于微表情的疲劳状态检测方法中第一类表情的结束概率统计图。
图5为基于微表情的疲劳状态检测方法中第二类表情的开始概率统计图。
图6为基于微表情的疲劳状态检测方法中第二类表情的结束概率统计图。
图7为基于微表情的疲劳状态检测方法中第三类表情的开始概率统计图。
图8为基于微表情的疲劳状态检测方法中第三类表情的结束概率统计图。
图9为基于微表情的疲劳状态检测方法中第四类表情的开始概率统计图。
图10为基于微表情的疲劳状态检测方法中第四类表情的结束概率统计图。
图11为基于微表情的疲劳状态检测方法中第五类表情的开始概率统计图。
图12为基于微表情的疲劳状态检测方法中第五类表情的结束概率统计图。
图13为基于微表情的疲劳状态检测方法中将两类表情采用SVM进行训练的分类结果图。
图14为基于微表情的疲劳状态检测方法中得到的疲劳概率图。
图15为基于微表情的疲劳状态检测方法中得到的伪装疲劳概率图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1
一种基于微表情的疲劳状态检测方法，捕捉到人脸面部信息后，将人脸面部信息提取成多个特征点(坐标对)的形式，然后进行数据筛选，特征点提取采用集成回归树算法，即基于梯度提高学习的回归树方法，通过多级级联的回归树进行关键点回归，其核心如公式：
s
表示第t级回归器的形状，rt表示第t级回归器的更新量。采用GBDT(GradientBoostDecisionTree)的更新策略，即每级回归器学习的都是当前形状与groundtruth形状的残差，然后对误差进行拟合，最终得到一个回归树模型。
具体到特征点的提取，首先要在训练集(已标记了68个面部特征点的训练图像集)中对人脸图像特征点进行标注。计算平均脸作为模型在测试时初始化的形状，生成一个新的形状(估计大致的特征点位置)，然后利用回归树算法进行训练。
在训练时，将像素点强度作为特征，已标定的训练集附近的像素点和点对之间的距离作为特征池，将距离除以两眼之间的距离以进行归一化，套用集成回归树模型，模型为级联的10个回归树，每个回归树中有500个弱回归器，每个树的深度为5。使用梯度提升算法(集成)对残差进行回归。
f0(x)＝0
fm(x)＝fm-1(x)+Γ(x；θm),m＝1,2,…,M
梯度提升采用前向分布算法：在前向分布算法的第m步中，给定模型fm-1(x)，需要求解 
采用的误差损失函数为：L(y,f(x))＝(y-f(x))2，
f0(x)＝0
fm(x)＝fm-1(x)+Γ(x；θm),m＝1,2,…,M
将
代入误差损失函数，得到：
k即为拟合数据的残差：k＝y-fm-1(x)，确定残差后，对残差进行多次拟合，得到回归树模型。测试时，将人脸检测结果输入回归树模型，先使用平均脸贴在一个新的测试脸中，得到初始形状，用脸部形状来预测特征点，同时反过来也用特征点预测脸部形状，并利用与训练时同样的误差损失函数去回归，不断回归并减小与训练模型的误差，通过10次级联回归树，就能得到最终的人脸特征点定位结果。
为了筛选出对疲劳有关的特征信息，且在数据处理的过程中尽可能多的保证特征信息不丢失。对特征点采取计算各个特征点之间相互距离的方式最为恰当。因为面部表情的变化直接影响特征点的数值，用相对距离来表示特征点之间的关系，能最大限度的保留所需要的信息。同时特征点间位置的相互依赖关系也不会被割裂，对后续处理问题的整体性与连贯性有很大的方便。
为了尽可能多的保留特征点坐标的信息，应该计算所有特征点之间的距离，采用欧式距离最为适宜，欧式距离是一个通常意义上的距离定义，它是指在m维空间中两个点之间的真实距离。在二维和三维空间中的欧式距离是两点之间的距离，即欧式距离。二维平面任意坐标点1(x1,y1)与坐标点2(x2,y2)的欧式距离的表达式如下：按照第i行第j列为第i个特征点与第j个特征点间距离(di,j)的原则，可以将特征点坐标量转换成68*68矩阵的形式来描述。
构建矩阵：计算各个特征点之间的距离，按照矩阵的形式进行排列，构建成68*68的特征矩阵，记作A，形式如：
用距间特征矩阵对侧脸、摆头等干扰动作的抗性较好，更能反映表情的真实变化情况。
距间矩阵中Ai,j和Aj,i都表示第i和第j个特征点间的距离，表示的含义重复。且Ai,i表示特征点i与自身的距离(必然为0)，数据对距离关系没有意义，故将这些数据筛选出来舍去。将剩下的数据按行进行排序，拼接成多维列表的形式，记作B，作为一帧图像描述表情的特征，具体列表拼接的方法见图2。此时B＝[Ai，j](i＜j)，即B＝[d1，2 d1，3 d1，4 … d1，68d2，3 d2，4 … d2，68 d3，4 … d67，68]，B将人脸面部特征进行了描述，可以从一个高维度反映表情的相对变化情况。
疲劳检测：使用采样频率为120帧/秒的摄像头，首先采集测试人员处在清醒状态下的面部图像7200帧，再采集测试人员处在轻微疲劳状态下的面部图像7200帧，用于构建针对测试人员个体的个性化微表情疲劳识别模型。
将采集到的清醒状态和轻微疲劳状态的面部图像进行面部特征筛选，使用K-MEANS聚类的方法对表情进行分类，分类数量设置为7类。
然后以360帧为一个窗口，对清醒状态和轻微疲劳状态的面部图像进行分段，统计每一段时间内7类表情的出现概率。
接下来按照清醒状态和轻微疲劳状态，对7类表情的出现概率进行ANOVA显著性分析，对于ANOVA显著性分析，F值较大，而P值接近0的表情会显著影响疲劳的状态(实验其他因素不变)，第一类表情和第二类表情的P值接近0，后续要针对第一类表情和第二类表情的特征做处理，见图3-图6。剩下的5类表情P值大于0.05，不能认为这些表情与疲劳有显著的关系，给出第三类表情、第四类表情和第五类表情的时间-概率统计折线图，见图7-图12。对第一类表情和第二类表情采用SVM模型训练，SVM支持向量机(support vector machines)是一种二分类模型，本着分割间隔最大化的原则，寻找一个超平面来对样本进行分割，最终的结果是转化为一个凸二次规划问题来求解分类问题，如果一个线性函数能将样本分开，则称这些数据样本是线性可分的。在二维空间中是一条直线，在三维空间中是一个平面，以此类推在不考虑空间维数的情况下，这样的线性函数统称为超平面。在二维空间中，O代表正类，X代表负类，样本是线性可分的，但是很显然不只有这一条直线可以将样本分开，而是有无数条，线性可分支持向量机就对应着能将数据正确划分并且间隔最大的直线。
间隔等于两个异类支持向量的差在w上的投影，即：其中
分别表示两个正负支持向量，
和
满足：
也就是说
再代入公式
即得到根据SVM使得间距最大化
最大化
相当于最小化||W||，
可以转化为
得到SVM的基本型。对于非线性问题,线性可分支持向量机并不能有效的解决,要使用非线性模型才能更好的分类。采用非线性变换的方法，将原样本的维度升高，使得非线性问题变换成线性问题。具体来说是将训练样本从原始空间映射到一个更高维的空间,使得样本在这个空间中线性可分,如果原始空间维数是有限的，即属性是有限的，那么一定存在一个高维特征空间是样本可分。令Ω(x)表示将x映射后的特征向量，于是在特征空间中，划分超平面所对应的的模型可表示为：f(x)＝wTΩ(x)+b，最小化函数为：
对偶问题为：
由xi和xj在特征空间中的内积等于他们在原始样本空间中通过函数η(xi,xj)计算的函数值得到：η(xi,xj)≤Ω(xi),Ω(xj)≥Ω(xi)TΩ(xj)，将η(xi,xj)≤Ω(xi),Ω(xj)≥Ω(xi)TΩ(xj)代入对偶问题，得到：
求解得到这里函数η(xi,xj)即为核函数，本实施例中，选用的核函数是Sigmiod核(β>0,θ>0)：η(xi,xj)＝tanh(βxi Txj+θ)。标准SVM输出为：f(x)＝g(x)+b，其中g(x)的表达式为
采用Sigmoid-fitting方法，将SVM的输出进行处理，转化成概率的形式：
其中，f(x)是标准SVM输出，a,b是待拟合的参量，该方法可以准确的估计后验概率。使用SVM对表情概率训练的结果见图13。
然后重新采集测试人员的面部图像，进行疲劳测试。对于新的测试数据，使用已构建的SVM模型，根据其输出概率，可以绘制出根据随时间变化的概率图，见图14，根据图14判断何时测试者会出现疲劳，做出预测：大约在600秒(10分钟)后，测试人员会进入一个比较高的疲劳程度，即认为是疲劳，该结果与该测试人员的实际情况相符。
本方法还可以识别出伪装的疲劳，构建模型后，该测试者使用伪装的疲劳状态获得的结果，见图15，图15表明本发明的方法可以有效的对抗伪装疲劳的状态。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于微表情的疲劳状态检测方法，其特征在于，具体步骤如下：
步骤一，捕捉测试者的实时面部微表情，将实时面部微表情存储并且将实时面部微表情提取成多个特征点，然后进行数据筛选与处理，得到个人面部数据的距离矩阵；
步骤二，预先采集测试者在清醒状态下的面部图像和轻微疲劳状态下的面部图像，构建个人的个性化微表情疲劳识别模型；
步骤三，将个人面部数据代入个性化微表情疲劳识别模型进行分析，即可判断测试者是否疲劳。
2.根据权利要求1所述的基于微表情的疲劳状态检测方法，其特征在于，所述步骤一中采用车载便携摄像头捕捉测试者的实时面部微表情。
3.根据权利要求1或2所述的基于微表情的疲劳状态检测方法，其特征在于，所述步骤一中采用基于梯度提高学习的回归树方法提取特征点。
4.根据权利要求3所述的基于微表情的疲劳状态检测方法，其特征在于，所述基于梯度提高学习的回归树方法的公式如下：
表示第t级回归器的形状，rt表示第t级回归器的更新量。
5.根据权利要求1所述的基于微表情的疲劳状态检测方法，其特征在于，所述步骤二中采用K-MEANS聚类的方法对微表情进行特征表情分类，分类数量为7类，然后以360帧为一个窗口，对清醒状态下的面部图像和疲劳状态下的面部图像进行分段，统计每一段时间内7类特征表情的出现概率，再按照清醒状态和疲劳状态对7类表情的出现概率进行ANOVA显著性分析，根据7类表情的显著性，可以找到与疲劳状态相关的特征表情，对这些特征表情采用SVM分类，得到个性化微表情疲劳识别模型。
6.根据权利要求1或5所述的基于微表情的疲劳状态检测方法，其特征在于，所述步骤一中数据筛选包括计算所有特征点之间的距离，依据计算的距离构建特征矩阵，对特征矩阵进行特征筛选。
7.根据权利要求4所述的基于微表情的疲劳状态检测方法，其特征在于，所述基于梯度提高学习的回归树方法的具体步骤如下：在标记了多个面部特征点的训练图像集中对人脸图像特征点进行标注，计算平均脸作为模型在测试时初始化的形状，生成一个形状，然后利用回归树方法进行训练，在训练时，将像素点强度作为特征，已标定的训练集附近的像素点和点对之间的距离作为特征池，将距离除以两眼之间的距离以进行归一化，套用集成回归树模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911027427.XA CN110781828A (zh) | 2019-10-28 | 2019-10-28 | 一种基于微表情的疲劳状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911027427.XA CN110781828A (zh) | 2019-10-28 | 2019-10-28 | 一种基于微表情的疲劳状态检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110781828A true CN110781828A (zh) | 2020-02-11 |
Family
ID=69386867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911027427.XA Pending CN110781828A (zh) | 2019-10-28 | 2019-10-28 | 一种基于微表情的疲劳状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781828A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111789A (zh) * | 2021-04-15 | 2021-07-13 | 山东大学 | 一种基于视频流的面部表情识别方法及系统 |
| CN113205081A (zh) * | 2021-06-11 | 2021-08-03 | 北京惠朗时代科技有限公司 | 一种基于显著性检测的svm模型工人疲劳精准判别方法 |
| CN114005153A (zh) * | 2021-02-01 | 2022-02-01 | 南京云思创智信息科技有限公司 | 面貌多样性的个性化微表情实时识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894047A (zh) * | 2016-06-28 | 2016-08-24 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸分类系统 |
| CN106485219A (zh) * | 2016-10-11 | 2017-03-08 | 吉林大学 | 格拉斯曼流形上基于原型和Simile的表情识别方法 |
| CN107633207A (zh) * | 2017-08-17 | 2018-01-26 | 平安科技（深圳）有限公司 | Au特征识别方法、装置及存储介质 |
| CN107808113A (zh) * | 2017-09-13 | 2018-03-16 | 华中师范大学 | 一种基于差分深度特征的人脸表情识别方法及系统 |
| CN108053615A (zh) * | 2018-01-10 | 2018-05-18 | 山东大学 | 基于微表情的驾驶员疲劳驾驶状态检测方法 |
| CN108647628A (zh) * | 2018-05-07 | 2018-10-12 | 山东大学 | 一种基于多特征多任务字典稀疏迁移学习的微表情识别方法 |
| CN109961006A (zh) * | 2019-01-30 | 2019-07-02 | 东华大学 | 一种低像素多目标人脸检测和关键点定位方法以及对齐方法 |
| CN110263673A (zh) * | 2019-05-31 | 2019-09-20 | 合肥工业大学 | 面部表情识别方法、装置、计算机设备及存储介质 |
-
2019
- 2019-10-28 CN CN201911027427.XA patent/CN110781828A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894047A (zh) * | 2016-06-28 | 2016-08-24 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸分类系统 |
| CN106485219A (zh) * | 2016-10-11 | 2017-03-08 | 吉林大学 | 格拉斯曼流形上基于原型和Simile的表情识别方法 |
| CN107633207A (zh) * | 2017-08-17 | 2018-01-26 | 平安科技（深圳）有限公司 | Au特征识别方法、装置及存储介质 |
| CN107808113A (zh) * | 2017-09-13 | 2018-03-16 | 华中师范大学 | 一种基于差分深度特征的人脸表情识别方法及系统 |
| CN108053615A (zh) * | 2018-01-10 | 2018-05-18 | 山东大学 | 基于微表情的驾驶员疲劳驾驶状态检测方法 |
| CN108647628A (zh) * | 2018-05-07 | 2018-10-12 | 山东大学 | 一种基于多特征多任务字典稀疏迁移学习的微表情识别方法 |
| CN109961006A (zh) * | 2019-01-30 | 2019-07-02 | 东华大学 | 一种低像素多目标人脸检测和关键点定位方法以及对齐方法 |
| CN110263673A (zh) * | 2019-05-31 | 2019-09-20 | 合肥工业大学 | 面部表情识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈利军等: "基于特征点的人脸相似性评估模型", 《电脑知识与技术》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114005153A (zh) * | 2021-02-01 | 2022-02-01 | 南京云思创智信息科技有限公司 | 面貌多样性的个性化微表情实时识别方法 |
| CN113111789A (zh) * | 2021-04-15 | 2021-07-13 | 山东大学 | 一种基于视频流的面部表情识别方法及系统 |
| CN113205081A (zh) * | 2021-06-11 | 2021-08-03 | 北京惠朗时代科技有限公司 | 一种基于显著性检测的svm模型工人疲劳精准判别方法 |
| CN113205081B (zh) * | 2021-06-11 | 2024-01-05 | 北京惠朗时代科技有限公司 | 一种基于显著性检测的svm模型工人疲劳精准判别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110532900B (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
| CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
| WO2020114118A1 (zh) | 面部属性识别方法、装置、存储介质及处理器 | |
| US20170091528A1 (en) | Methods and Systems for Disease Classification | |
| CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
| CN114038037B (zh) | 基于可分离残差注意力网络的表情标签修正和识别方法 | |
| CN102521561B (zh) | 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 | |
| CN110781828A (zh) | 一种基于微表情的疲劳状态检测方法 | |
| Manesh et al. | Facial part displacement effect on template-based gender and ethnicity classification | |
| US6912527B2 (en) | Data classifying apparatus and material recognizing apparatus | |
| CN101447021A (zh) | 人脸快速识别系统及其识别方法 | |
| CN111700608A (zh) | 一种心电信号多分类方法及装置 | |
| CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
| Li et al. | Human sperm health diagnosis with principal component analysis and K-nearest neighbor algorithm | |
| CN116612335B (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
| CN113963422A (zh) | 基于多注意力融合Transformer架构的不确定性人脸表情识别方法 | |
| CN110874576B (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
| CN112132117A (zh) | 一种辅助胁迫检测的融合身份认证系统 | |
| CN112949510A (zh) | 基于Faster R-CNN热红外影像人物探测方法 | |
| CN116468935A (zh) | 一种基于多核卷积网络的交通标志阶梯式分类识别方法 | |
| CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
| CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
| Silva et al. | POEM-based facial expression recognition, a new approach | |
| CN111832391A (zh) | 基于截断核范数的低秩判别嵌入法的图像降维方法及图像识别方法 | |
| CN110135306B (zh) | 基于角度损失函数的行为识别方法 |
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: 20200211 |