CN112016368A - 一种基于面部表情编码系统的表情识别方法、系统及电子设备 - Google Patents
一种基于面部表情编码系统的表情识别方法、系统及电子设备 Download PDFInfo
- Publication number
- CN112016368A CN112016368A CN201910468841.8A CN201910468841A CN112016368A CN 112016368 A CN112016368 A CN 112016368A CN 201910468841 A CN201910468841 A CN 201910468841A CN 112016368 A CN112016368 A CN 112016368A
- Authority
- CN
- China
- Prior art keywords
- recognition
- expression
- face
- facial
- coding system
- 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
- 230000014509 gene expression Effects 0.000 title claims abstract description 78
- 230000008921 facial expression Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000001815 facial effect Effects 0.000 claims abstract description 28
- 230000009471 action Effects 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 210000001097 facial muscle Anatomy 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000004304 visual acuity Effects 0.000 abstract description 3
- 230000036544 posture Effects 0.000 abstract 1
- 230000008451 emotion Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于面部表情编码系统的表情识别方法、系统及电子设备。所述方法包括:步骤a:采用人脸识别技术从图片或视频数据中提取人脸部分;步骤b:根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;步骤c:将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。本申请在表情识别中使用了面部肌肉编码系统,大幅提高了相似表情的分辨能力、对光照、姿态等的鲁棒性,大幅提高人类表情的识别准确率。
Description
技术领域
本申请属于表情识别技术领域,特别涉及一种基于面部表情编码系统的表情识别方法、系统及电子设备。
背景技术
面部表情是人类表达自己的情绪状态和意图最强大、最自然和最普遍的信号之一。在人与人之间的交流当中,人脸表情所传递的信息占据着相当大的比重。人脸表情映射着人类内心世界丰富的情感活动,是人体行为信息与情感的重要载体。对人脸表情识别进行更为深入的研究,能够帮助我们更好的了解人类内心情感的真实状态。而对于计算机来说,如果可以通过技术手段做到类似人类那样具有分析和理解人脸表情、获取人脸所表达的情感,那么就可以使计算机实现效果更好的人机交互,从而更加智能的、高效的为人类服务。
现有技术中,人脸表情识别相关技术主要有人脸表情图像的预处理、人脸区域检测、人脸表情特征提取、表情的分类等。由于不同人物属性,例如年龄、性别、宗教背景和表达能力,主体间具有高变化性,姿态、光照和遮挡在不受限的表情场景下也十分常见。这些因素和表情之间是非线性关系,因此直接送入神经网络训练的效果并不好,识别准确率不高。
发明内容
本申请提供了一种基于面部表情编码系统的表情识别方法、系统及电子设备,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种基于面部表情编码系统的表情识别方法,包括以下步骤:
步骤a:采用人脸识别技术从图片或视频数据中提取人脸部分;
步骤b:根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
步骤c:将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别具体为:通过人脸识别框架对提取的人脸部分进行脸部动作编码识别。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述表情分类网络是以17位的AU向量为输入,表情分类结果为输出的网络,所述表情分类网络包括1x1卷积层、归一化层、激活层、残差单元、inception结构和FC层。
本申请实施例采取的另一技术方案为:一种基于面部表情编码系统的表情识别系统,包括:
面部识别模块:用于采用人脸识别技术从图片或视频数据中提取人脸部分;
脸部动作识别模块:用于根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
表情分类模块:用于将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
本申请实施例采取的技术方案还包括:所述脸部动作识别模块根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别具体为:通过人脸识别框架对提取的人脸部分进行脸部动作编码识别。
本申请实施例采取的技术方案还包括:所述表情分类网络是以17位的AU向量为输入,表情分类结果为输出的网络,所述表情分类网络包括1x1卷积层、归一化层、激活层、残差单元、inception结构和FC层。
本申请实施例采取的又一技术方案为:一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于面部表情编码系统的表情识别方法的以下操作:
步骤a:采用人脸识别技术从图片或视频数据中提取人脸部分;
步骤b:根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
步骤c:将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的基于面部表情编码系统的表情识别方法、系统及电子设备在表情识别中使用了面部肌肉编码系统,大幅提高了相似表情的分辨能力、对光照、姿态等的鲁棒性,大幅提高人类表情的识别准确率。
附图说明
图1是本申请实施例的基于面部表情编码系统的表情识别方法的流程图;
图2为表情分类网络结构示意图;
图3是本申请实施例的基于面部表情编码系统的表情识别系统的结构示意图;
图4是本申请实施例提供的基于面部表情编码系统的表情识别方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请实施例的基于面部表情编码系统的表情识别方法的流程图。本申请实施例的基于面部表情编码系统的表情识别方法包括以下步骤:
步骤100:采集用户的图片或视频数据;
步骤200:采用人脸识别技术从图片或视频数据中提取人脸部分;
步骤200中,采用的人脸识别技术为face_recognition,也可以是AI等其他人脸识别算法。其中,face_recognition是一个强大、简单、易上手的人脸识别开源项目,并且配备了完整的开发文档和应用案例,基于业内领先的C++开源库dlib中的深度学习模型,用LFW人脸数据集进行测试,有高达99.38%的准确率。
步骤300:通过人脸识别框架对提取的人脸部分进行脸部动作编码(FACS)识别;
步骤300中,人脸识别框架为OpenFace,具体也可以是Tracking.js等其他类型的人脸识别框架。脸部动作编码系统(FACS)是美国心理学教授保罗·艾克曼用了40年的时间研究欺骗和伪装,在上个世纪60年代发布的,他在人的脸上发现43种动作单元,每一种都由一块或者好几块肌肉的运动构成,各种动作单元之间可以自由组合,不同的动作单元组合形成了不同的面部表情。
步骤400:将脸部动作编码输入表情分类网络进行分类,并输出用户的表情识别结果。
步骤400中,表情分类网络是以17位的AU向量为输入,7类表情分类结果为输出的网络。具体如图2所示,为表情分类网络结构示意图。该网络包括1x1卷积层、归一化层(如Group_Normalization)、激活层(如Leaky-Relu)、残差单元、inception结构、FC层等。其中,1x1卷积层主要是把Bx1x17x1变成Bx1x17x128,归一化层是优化数据,激活层是增加非线性。这三层是网络很常用的单独的层。残差单元、inception结构是由很多层组成的局部网络结构,是用来优化网络效果的。FC层是单独的层,一般作为网络的最后一层,起到分类的作用。图2中,B表示batch_size,是网络参数;X32和X3表示相同的结构重复32次和3次,32和3不是必须的,可以改变;Bx1x17x1表示输入B组17维的AU编码,经过1x1卷积层,GN层(也可以是BN、LN等),LRelu层(也可以是Relu、PRelu等),变成Bx1x17x128维的数据。可以理解,表情分类网络输出的表情分类结果类别数不限于七类,也可以是高兴、愤怒和中立三类表情分类结果为输出等。
请参阅图3,是本申请实施例的基于面部表情编码系统的表情识别系统的结构示意图。本申请实施例的基于面部表情编码系统的表情识别系统包括数据采集模块、面部识别模块、脸部动作识别模块和表情分类模块。
数据采集模块:用于采集用户的图片或视频数据;
面部识别模块:用于采用人脸识别技术从图片或视频数据中提取人脸部分;其中,采用的人脸识别技术为face_recognition,也可以是AI等其他人脸识别算法。其中,face_recognition是一个强大、简单、易上手的人脸识别开源项目,并且配备了完整的开发文档和应用案例,基于业内领先的C++开源库dlib中的深度学习模型,用LFW人脸数据集进行测试,有高达99.38%的准确率。
脸部动作识别模块:用于通过人脸识别框架对提取的人脸部分进行脸部动作编码(FACS)识别;其中,人脸识别框架为OpenFace,具体也可以是Tracking.js等其他类型的人脸识别框架。脸部动作编码系统(FACS)是美国心理学教授保罗·艾克曼用了40年的时间研究欺骗和伪装,在上个世纪60年代发布的,他在人的脸上发现43种动作单元,每一种都由一块或者好几块肌肉的运动构成,各种动作单元之间可以自由组合,不同的动作单元组合形成了不同的面部表情。
表情分类模块:用于将脸部动作编码输入表情分类网络进行分类,并输出用户的表情识别结果;其中,表情分类网络是以17位的AU向量为输入,7类表情分类结果为输出的网络。具体如图2所示,为表情分类网络结构示意图。该网络包括1x1卷积层、归一化层(如Group_Normalization)、激活层(如Leaky-Relu)、残差单元、inception结构、FC层等。图2中,B表示batch_size,是网络参数;X32和X3表示相同的结构重复32次和3次,32和3不是必须的,可以改变;Bx1x17x1表示输入B组17维的AU编码,经过1x1卷积层、GN层(也可以是BN,LN等)、LRelu层(也可以是Relu,PRelu等),变成Bx1x17x128维的数据。
图4是本申请实施例提供的基于面部表情编码系统的表情识别方法的硬件设备结构示意图。如图4所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息,以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:采用人脸识别技术从图片或视频数据中提取人脸部分;
步骤b:根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
步骤c:将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行以下操作:
步骤a:采用人脸识别技术从图片或视频数据中提取人脸部分;
步骤b:根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
步骤c:将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:采用人脸识别技术从图片或视频数据中提取人脸部分;
步骤b:根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
步骤c:将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
本申请实施例的基于面部表情编码系统的表情识别方法、系统及电子设备在表情识别中使用了面部肌肉编码系统,大幅提高了相似表情的分辨能力、对光照、姿态等的鲁棒性,大幅提高人类表情的识别准确率。本申请可应用于驾驶员疲劳监测(监测驾驶员精神状况,预防疲劳驾驶)、公共安全(预判可能发生的袭击等,提醒安防人员)、商场的顾客情绪分析(通过分析其面部表情,进一步解读出客人的情绪信息,从而分析顾客在商场的体验满意度)、人机交互(通过面部表情分析来判断机器人眼前的用户的情绪和心理)、医疗(判断患者情绪,辅助判断治疗效果)、养老(分析老人的情绪,提升老人心理健康,提高老人生活质量)等多种领域,应用范围更加广泛。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于面部表情编码系统的表情识别方法,其特征在于,包括以下步骤:
步骤a:采用人脸识别技术从图片或视频数据中提取人脸部分;
步骤b:根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
步骤c:将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
2.根据权利要求1所述的基于面部表情编码系统的表情识别方法,其特征在于,在所述步骤b中,所述根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别具体为:通过人脸识别框架对提取的人脸部分进行脸部动作编码识别。
3.根据权利要求1或2所述的基于面部表情编码系统的表情识别方法,其特征在于,在所述步骤c中,所述表情分类网络是以17位的AU向量为输入,表情分类结果为输出的网络,所述表情分类网络包括1x1卷积层、归一化层、激活层、残差单元、inception结构和FC层。
4.一种基于面部表情编码系统的表情识别系统,其特征在于,包括:
面部识别模块:用于采用人脸识别技术从图片或视频数据中提取人脸部分;
脸部动作识别模块:用于根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
表情分类模块:用于将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
5.根据权利要求4所述的基于面部表情编码系统的表情识别系统,其特征在于,所述脸部动作识别模块根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别具体为:通过人脸识别框架对提取的人脸部分进行脸部动作编码识别。
6.根据权利要求4或5所述的基于面部表情编码系统的表情识别系统,其特征在于,所述表情分类网络是以17位的AU向量为输入,表情分类结果为输出的网络,所述表情分类网络包括1x1卷积层、归一化层、激活层、残差单元、inception结构和FC层。
7.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至3任一项所述的基于面部表情编码系统的表情识别方法的以下操作:
步骤a:采用人脸识别技术从图片或视频数据中提取人脸部分;
步骤b:根据脸部动作编码系统对提取的人脸部分进行脸部动作编码识别;
步骤c:将脸部动作编码识别结果输入表情分类网络进行分类,得到表情识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468841.8A CN112016368A (zh) | 2019-05-31 | 2019-05-31 | 一种基于面部表情编码系统的表情识别方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468841.8A CN112016368A (zh) | 2019-05-31 | 2019-05-31 | 一种基于面部表情编码系统的表情识别方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016368A true CN112016368A (zh) | 2020-12-01 |
Family
ID=73502002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468841.8A Pending CN112016368A (zh) | 2019-05-31 | 2019-05-31 | 一种基于面部表情编码系统的表情识别方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016368A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699797A (zh) * | 2020-12-30 | 2021-04-23 | 常州码库数据科技有限公司 | 基于联合特征对关系网络的静态人脸表情识别方法及系统 |
CN112784776A (zh) * | 2021-01-26 | 2021-05-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于改进残差网络的bpd面部情绪识别方法 |
CN114842523A (zh) * | 2022-03-16 | 2022-08-02 | 西南大学 | 表情识别方法、装置、电子设备及计算机可读取存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140022331A (ko) * | 2012-08-14 | 2014-02-24 | 삼성전자주식회사 | 얼굴 감정 추론 방법 및 장치, 얼굴 감정 추론 시스템 및 컴퓨터 프로그램 제품 |
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 |
CN107862292A (zh) * | 2017-11-15 | 2018-03-30 | 平安科技(深圳)有限公司 | 人物情绪分析方法、装置及存储介质 |
CN109583431A (zh) * | 2019-01-02 | 2019-04-05 | 上海极链网络科技有限公司 | 一种人脸情绪识别模型、方法及其电子装置 |
-
2019
- 2019-05-31 CN CN201910468841.8A patent/CN112016368A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140022331A (ko) * | 2012-08-14 | 2014-02-24 | 삼성전자주식회사 | 얼굴 감정 추론 방법 및 장치, 얼굴 감정 추론 시스템 및 컴퓨터 프로그램 제품 |
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 |
CN107862292A (zh) * | 2017-11-15 | 2018-03-30 | 平安科技(深圳)有限公司 | 人物情绪分析方法、装置及存储介质 |
CN109583431A (zh) * | 2019-01-02 | 2019-04-05 | 上海极链网络科技有限公司 | 一种人脸情绪识别模型、方法及其电子装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699797A (zh) * | 2020-12-30 | 2021-04-23 | 常州码库数据科技有限公司 | 基于联合特征对关系网络的静态人脸表情识别方法及系统 |
CN112699797B (zh) * | 2020-12-30 | 2024-03-26 | 常州码库数据科技有限公司 | 基于联合特征对关系网络的静态人脸表情识别方法及系统 |
CN112784776A (zh) * | 2021-01-26 | 2021-05-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于改进残差网络的bpd面部情绪识别方法 |
CN114842523A (zh) * | 2022-03-16 | 2022-08-02 | 西南大学 | 表情识别方法、装置、电子设备及计算机可读取存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zong et al. | Learning from hierarchical spatiotemporal descriptors for micro-expression recognition | |
Palazzo et al. | Decoding brain representations by multimodal learning of neural activity and visual features | |
Zhang et al. | Random Gabor based templates for facial expression recognition in images with facial occlusion | |
Sajjad et al. | A comprehensive survey on deep facial expression recognition: challenges, applications, and future guidelines | |
CN112016368A (zh) | 一种基于面部表情编码系统的表情识别方法、系统及电子设备 | |
Varni et al. | Computational study of primitive emotional contagion in dyadic interactions | |
Virrey et al. | Visual data of facial expressions for automatic pain detection | |
Zhang et al. | Intelligent Facial Action and emotion recognition for humanoid robots | |
Le et al. | Dynamic image for micro-expression recognition on region-based framework | |
Magherini et al. | Emotion recognition in the times of COVID19: Coping with face masks | |
CN110390307B (zh) | 表情识别方法、表情识别模型训练方法及装置 | |
Ceneda et al. | Show me your face: towards an automated method to provide timely guidance in visual analytics | |
Zhao et al. | Research and development of autism diagnosis information system based on deep convolution neural network and facial expression data | |
Bibbo’ et al. | Emotional Health Detection in HAR: New Approach Using Ensemble SNN | |
Wang et al. | A novel algorithmic structure of EEG Channel Attention combined with Swin Transformer for motor patterns classification | |
CN111339940B (zh) | 视频风险识别方法及装置 | |
Sridhar et al. | An Enhanced Haar Cascade Face Detection Schema for Gender Recognition | |
Wang et al. | Deep learning (DL)-enabled system for emotional big data | |
CN112580395A (zh) | 基于深度信息的3d人脸活体识别方法、系统、设备及介质 | |
Oliveira et al. | Tabular data augmentation for video-based detection of hypomimia in Parkinson’s disease | |
Zhang et al. | Quantification of advanced dementia patients’ engagement in therapeutic sessions: An automatic video based approach using computer vision and machine learning | |
ViswanathReddy et al. | Facial emotions over static facial images using deep learning techniques with hysterical interpretation | |
Qian et al. | Computer Vision Estimation of Emotion Reaction Intensity in the Wild | |
Yashaswini et al. | Stress detection using deep learning and IoT | |
Ali et al. | EEG based thought-to-text translation via deep learning |
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 |