CN112101293A - 人脸表情的识别方法、装置、设备及存储介质 - Google Patents
人脸表情的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112101293A CN112101293A CN202011036358.1A CN202011036358A CN112101293A CN 112101293 A CN112101293 A CN 112101293A CN 202011036358 A CN202011036358 A CN 202011036358A CN 112101293 A CN112101293 A CN 112101293A
- Authority
- CN
- China
- Prior art keywords
- facial expression
- expression
- features
- facial
- standard
- 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
- 230000008921 facial expression Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000014509 gene expression Effects 0.000 claims abstract description 87
- 230000001815 facial effect Effects 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人脸识别技术领域，公开了一种人脸表情的识别方法、装置、设备及存储介质。该方法包括：对待识别的图片进行检测，获取所述图片中的人脸区域；提取所述人脸区域的表情特征；将所述表情特征与标准人脸表情特征进行比较；获得所述表情特征对应的人脸表情。本发明的人脸表情的识别方法由于预先对待识别的图片进行检测，在进行人脸识别时，只对图片中的人脸区域进行识别，并且识别过程只需要与标准人脸表情特征进行比较，步骤简单，识别速度快，具有更好的用户体验。
Description
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种人脸表情的识别方法、装置、设备及存储介质。
背景技术
人脸表情识别技术在近年来随着一些相关领域的飞速发展如机器学习，图像处理，人类识别等，成为了一个热点发展的技术。人脸表情识别系统的影响和潜力同时推广到广大的应用场合中，如人机交互，智能机器人，驾驶员状态监督等等。现有的人脸表情识别技术识别对图片中人脸的表情步骤繁琐，识别效率低，极大的影响用户体验。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于解决人脸表情识别技术人脸识别效率低的技术问题。
本发明第一方面提供了一种人脸表情的识别方法，所述人脸表情的识别方法包括：
对待识别的图片进行检测，获取所述图片中的人脸区域；
提取所述人脸区域的表情特征；
将所述表情特征与标准人脸表情特征进行比较；
获得所述表情特征对应的人脸表情。
可选的，在本发明第一方面的第一种实现方式中，所述提取所述人脸区域的表情特征之前包括：
对所述人脸区域的图像进行平滑处理；
对平滑处理后的所述人脸区域的图像进行灰度归一化。
可选的，在本发明第一方面的第二种实现方式中，所述将所述表情特征与标准人脸表情特征进行比较之前包括：
从表情数据库获取标准人脸表情图片；
提取所述标准人脸表情图片中的标准人脸表情特征；
基于所述标准人脸表情特征进行建模，得到人脸表情识别模型。
可选的，在本发明第一方面的第三种实现方式中，所述基于所述标准人脸表情特征进行建模，得到人脸表情识别模型之后包括：
构造多种光照环境；
采集人脸在多种光照环境下的各种表情的样本图片；
通过所述样本图片对所述人脸表情识别模型进行训练。
可选的，在本发明第一方面的第四种实现方式中，所述将所述表情特征与标准人脸表情特征进行比较包括：
将所述表情特征输入所述人脸表情识别模型；
通过所述人脸表情识别模型对所述表情特征与所述标准人脸表情特征进行比较。
可选的，在本发明第一方面的第五种实现方式中，所述通过所述人脸表情识别模型对所述表情特征与所述标准人脸表情特征进行比较包括：
获取所述表情特征中各预设特征点图形的边缘轮廓；
将所述表情特征中各预设特征点图形的的边缘轮廓与所述标准人脸表情特征中对应的预设特征点图形的边缘轮廓进行比较。
可选的，在本发明第一方面的第六种实现方式中，所述人脸表情识别模型包括分类器。
本发明第二方面提供了一种人脸表情的识别装置，包括：
检测模块，用于对待识别的图片进行检测，获取所述图片中的人脸区域；
提取模块，用于提取所述人脸区域的表情特征；
比较模块，用于将所述表情特征与标准人脸表情特征进行比较；
获取模块，用于获得所述表情特征对应的人脸表情。
本发明第三方面提供了一种人脸表情的识别设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述人脸表情的识别设备执行上述的人脸表情的识别方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的人脸表情的识别方法。
附图说明
图1为本发明人脸表情的识别方法的一个实施例示意图；
图2为本发明人脸表情的识别方法的另一个实施例示意图；
图3为本发明人脸表情的识别装置的一个实施例示意图；
图4为本发明人脸表情的识别设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种人脸表情的识别方法、装置、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中一种人脸表情的识别方法，所述人脸表情的识别方法包括：
101、对待识别的图片进行检测，获取所述图片中的人脸区域；
在本发明实施例中，本发明技术方案在进行人脸识别时需要先进行图片的处理，处理的目的是获取图片中人脸的区域，以减少后续人脸表情识别时数据的处理量，提高识别效率，在该步骤中，可以通过图形识别的方法获取人脸区域，就是先获取图片中图形的边缘轮廓，比对识别出人头部的部分，将非人头部的部分图像删除。
102、提取所述人脸区域的表情特征；
在本发明实施例中，提取表情特征先将人脸区域的人脸图像生成像素矩阵，然后通过人脸识别神经网络进行处理，在人脸识别神经网络的卷积层和过滤器中进行滑动卷积操作来得到人脸区域的表情特征数据。
103、将所述表情特征与标准人脸表情特征进行比较；
在本发明实施例中，比较的方法采用模板匹配，就是对标准人脸表情特征和表情特征之间进行相似度的检测，当相似度高于预设的阈值时，此时可以认为该表情特征与比对的标准人脸表情特征相同，该表情特征对应的人脸表情就为标准人脸表情特征对应的人脸表情。
104、获得所述表情特征对应的人脸表情。
在本发明上述实施例，人脸表情识别由于预先对待识别的图片进行检测，在进行人脸识别时，只对图片中的人脸区域进行识别，并且识别过程只需要与标准人脸表情特征进行比较，步骤简单，识别速度快，具有更好的用户体验。
在本发明一种可选的实施方式中，所述提取所述人脸区域的表情特征之前包括：
对所述人脸区域的图像进行平滑处理；
对平滑处理后的所述人脸区域的图像进行灰度归一化。
在本发明实施例中，由于表情识别关心的是图片中的人脸信息，而采集到的图像通常尺寸不一、色彩不同，还会受到背景、噪声、光照、遮挡物等因素的干扰而影响到最终的识别率。希望提取出完整可用的脸部信息而尽可能的去除不相关的干扰信息，因此图像的预处理主要是完成图像归一化工作，为后续的特征提取、表情分类提供统一的表情图像信息，减少实验环境因素对识别结果的影响，输入的图片常常会受到噪声污染，所以首先要对其做平滑处理，常用的去噪方法有均值滤波、中值滤波等，在表情识别的预处理中进行人脸检测，定位到人脸位置，去除复杂的背景。归一化主要包括几何归一化和灰度归一化。因为采集图片的方式不同，产生的图片通常在尺寸、姿态、光照等方面不同。采用几何归一化也称位置校准，先对图片进行缩小、剪裁等矫正尺寸差异，再利用双眼作为参照进行一系列操作矫正人脸姿态角度。灰度归一化用来解决由于光照差异造成的灰度不同问题。
参见图2，在本发明一种可选的实施方式中，所述将所述表情特征与标准人脸表情特征进行比较之前包括：
1021、从表情数据库获取标准人脸表情图片；
在本发明实施例中，可以预设一表情数据库，所述表情数据库中存储有各种标准表情图片，包括标准喜悦表情图片、标准悲伤表情图片、标准愤怒表情图片、标准厌恶表情图片、标准惊讶表情图片、标准恐惧表情图片及标准无表情图片，基于该表情数据库来构建人脸表情识别模型；
1022、提取所述标准人脸表情图片中的标准人脸表情特征；
在本发明实施例中，提取标准人脸表情特征采用基于几何特征的方法，人脸由眼睛、鼻子、嘴巴、下巴等部件构成，基于这些部件的差异识别出的人脸表情也千差万别，因此，对这些部件的形状和结构关系的几何描述，可以做为提取人脸表情识别的一种手段。
人脸特征提取的方法则可以采用有Gabor滤波器、尺度不变特征转换(scaleinvariant feature transform，SIFT)、梯度直方图(histogram of gradient，HOG)、线性判别分析(LDA)和局部二值模式(local binary pattern，LBP)等传统的图像特征提取方法。
1023、基于所述标准人脸表情特征进行建模，得到人脸表情识别模型。
在本发明实施例中，在特征提取后，还需要进行分类，表情分类技术可以使用使用支持向量机、决策树以及基于卷积神经网络的分类器进行表情分类，在一种可选的实施方式中，本发明中的人脸表情识别模型为包括基于卷积神经网络的分类器的表情识别模型。
在本发明一种可选的实施方式中，所述基于所述标准人脸表情特征进行建模，得到人脸表情识别模型之后包括：
构造多种光照环境；
在本发明实施例中，可以预设一空间，在该空间中，光源布设在不同的方向上，比如，光源布设的人脸的上方，光源布设在人脸的下方，光源布设在人脸的前方，光源布设在人脸的后方，光源布设在人脸的左侧，光源布设在人脸的右侧，以此来实现不同的光照。
采集人脸在多种光照环境下的各种表情的样本图片；
在本发明实施例中，将采集每一种表情在不同光照环境下的图片作为样本图片，比如，人脸喜悦表情依次在光源在人脸的上方，光源在人脸的下方，光源在人脸的前方，光源在人脸的后方，光源人脸的左侧，光源在人脸的右侧进行拍照，获得各种表情在多种光照环境下的样本图片，作为训练样本集。
通过所述样本图片对所述人脸表情识别模型进行训练。
在本发明实施例中，利用深度学习的方法对人脸表情识别模型进行训练，优化光照对人脸表情识别模型识别图片的准确率的影响。
参见图2，在本发明一种可选的实施方式中，所述将所述表情特征与标准人脸表情特征进行比较包括：
301、将所述表情特征输入所述人脸表情识别模型；
302、通过所述人脸表情识别模型对所述表情特征与所述标准人脸表情特征进行比较。
在本发明实施例中，进行特征比较的过程可以包括先获取表情特征的特征点得到特征图像，根据特征图像确定人脸的局部几何特征，同时对表情特征的人脸图像提取全局纹理特征，之后将局部几何特征和全局纹理特征进行级联融合得到融合特征，最后将融合特征输入分类器进行分类比较得到融合特征对应的表情。
在本发明一种可选的实施方式中，所述通过所述人脸表情识别模型对所述表情特征与所述标准人脸表情特征进行比较包括：
获取所述表情特征中各预设特征点图形的边缘轮廓；
将所述表情特征中各预设特征点图形的边缘轮廓与所述标准人脸表情特征中对应的预设特征点图形的边缘轮廓进行比较。
在本发明实施例中，本发明表情识别是基于几何特征进行比较，表情特征主要包括预设特征点的位置信息，比较时，将预设特征点之间进行组合形成对应的几何图形，通过比较预设特征点形成几何图形的相似度来判断表情特征与标准表情特征是否相同，本发明只需要比较表情特征预设特征点图形的边缘轮廓，这种方式比较方式所需处理的数据少，识别速度快。
在本发明一种可选的实施方式中，所述人脸表情识别模型包括分类器。
上面对本发明实施例中人脸表情的识别方法进行了描述，下面对本发明实施例中人脸表情的识别装置进行描述，请参阅图3，本发明实施例中人脸表情的识别装置一个实施例包括：
检测模块10，用于对待识别的图片进行检测，获取所述图片中的人脸区域；
提取模块20，用于提取所述人脸区域的表情特征；
比较模块30，用于将所述表情特征与标准人脸表情特征进行比较；
获取模块40，用于获得所述表情特征对应的人脸表情。
在本发明一种可选的实施方式中，所述人脸表情的识别装置还包括：
平滑处理模块，用于对所述人脸区域的图像进行平滑处理；
灰度处理模块，用于对平滑处理后的所述人脸区域的图像进行灰度归一化。
在本发明一种可选的实施方式中，所述获取模块还用于从表情数据库获取标准人脸表情图片；
所述提取模块还用于提取所述标准人脸表情图片中的标准人脸表情特征；
所述人脸表情的识别装置还包括：建模模块，用于基于所述标准人脸表情特征进行建模，得到人脸表情识别模型。
在本发明一种可选的实施方式中，所述人脸表情的识别装置还包括：
构造模块，用于构造多种光照环境；
采集模块，用于采集人脸在多种光照环境下的各种表情的样本图片；
训练模块，用于通过所述样本图片对所述人脸表情识别模型进行训练。
在本发明一种可选的实施方式中，所述人脸表情的识别装置还包括：
输入模块，用于将所述表情特征输入所述人脸表情识别模型；
所述比较模块还用于通过所述人脸表情识别模型对所述表情特征与所述标准人脸表情特征进行比较。
在本发明一种可选的实施方式中，所述获取模块还用于获取所述表情特征中各预设特征点图形的边缘轮廓；
所述比较模块还用于将所述表情特征中各预设特征点图形的的边缘轮廓与所述标准人脸表情特征中对应的预设特征点图形的边缘轮廓进行比较。
上面图3从模块化功能实体的角度对本发明实施例中的人脸表情的识别装置进行详细描述，下面从硬件处理的角度对本发明实施例中人脸表情的识别设备进行详细描述。
图4是本发明实施例提供的一种人脸表情的识别设备的结构示意图，该人脸表情的识别设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器50(central processing units，CPU)(例如，一个或一个以上处理器)和存储器60，一个或一个以上存储应用程序或数据的存储介质70(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对人脸表情的识别设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在人脸表情的识别设备上执行存储介质中的一系列指令操作。
基于人脸表情的识别设备还可以包括一个或一个以上电源80，一个或一个以上有线或无线网络接口90，一个或一个以上输入输出接口100，和/或，一个或一个以上操作系统，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图4示出的XXXX设备结构并不构成对基于人脸表情的识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述人脸表情的识别方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种人脸表情的识别方法，其特征在于，所述人脸表情的识别方法包括：
对待识别的图片进行检测，获取所述图片中的人脸区域；
提取所述人脸区域的表情特征；
将所述表情特征与标准人脸表情特征进行比较；
获得所述表情特征对应的人脸表情。
2.根据权利要求1所述的人脸表情的识别方法，其特征在于，所述提取所述人脸区域的表情特征之前包括：
对所述人脸区域的图像进行平滑处理；
对平滑处理后的所述人脸区域的图像进行灰度归一化。
3.根据权利要求2所述的人脸表情的识别方法，其特征在于，所述将所述表情特征与标准人脸表情特征进行比较之前包括：
从表情数据库获取标准人脸表情图片；
提取所述标准人脸表情图片中的标准人脸表情特征；
基于所述标准人脸表情特征进行建模，得到人脸表情识别模型。
4.根据权利要求3所述的人脸表情的识别方法，其特征在于，所述基于所述标准人脸表情特征进行建模，得到人脸表情识别模型之后包括：
构造多种光照环境；
采集人脸在多种光照环境下的各种表情的样本图片；
通过所述样本图片对所述人脸表情识别模型进行训练。
5.根据权利要求3所述的人脸表情的识别方法，其特征在于，所述将所述表情特征与标准人脸表情特征进行比较包括：
将所述表情特征输入所述人脸表情识别模型；
通过所述人脸表情识别模型对所述表情特征与所述标准人脸表情特征进行比较。
6.根据权利要求5所述的人脸表情的识别方法，其特征在于，所述通过所述人脸表情识别模型对所述表情特征与所述标准人脸表情特征进行比较包括：
获取所述表情特征中各预设特征点图形的边缘轮廓；
将所述表情特征中各预设特征点图形的边缘轮廓与所述标准人脸表情特征中对应的预设特征点图形的边缘轮廓进行比较。
7.根据权利要求3所述的人脸表情的识别方法，其特征在于，所述人脸表情识别模型包括分类器。
8.一种人脸表情的识别装置，其特征在于，所述人脸表情的识别装置包括：
检测模块，用于对待识别的图片进行检测，获取所述图片中的人脸区域；
提取模块，用于提取所述人脸区域的表情特征；
比较模块，用于将所述表情特征与标准人脸表情特征进行比较；
获取模块，用于获得所述表情特征对应的人脸表情。
9.一种人脸表情的识别设备，其特征在于，所述人脸表情的识别设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述人脸表情的识别设备执行如权利要求1-7中任一项所述的人脸表情的识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的人脸表情的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036358.1A CN112101293A (zh) | 2020-09-27 | 2020-09-27 | 人脸表情的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036358.1A CN112101293A (zh) | 2020-09-27 | 2020-09-27 | 人脸表情的识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112101293A true CN112101293A (zh) | 2020-12-18 |
Family
ID=73783529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011036358.1A Pending CN112101293A (zh) | 2020-09-27 | 2020-09-27 | 人脸表情的识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101293A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712006A (zh) * | 2020-12-25 | 2021-04-27 | 四川云从天府人工智能科技有限公司 | 目标图片抓拍方法、系统、介质及装置 |
| CN112967798A (zh) * | 2021-03-22 | 2021-06-15 | 平安国际智慧城市科技股份有限公司 | 基于人脸面容的辅诊方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824059A (zh) * | 2014-02-28 | 2014-05-28 | 东南大学 | 一种基于视频图像序列的人脸表情识别方法 |
| CN106778621A (zh) * | 2016-12-19 | 2017-05-31 | 四川长虹电器股份有限公司 | 人脸表情识别方法 |
| CN107729882A (zh) * | 2017-11-19 | 2018-02-23 | 济源维恩科技开发有限公司 | 基于图像识别的情绪识别判定方法 |
| 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 |
| CN107943449A (zh) * | 2017-12-23 | 2018-04-20 | 河南智盈电子技术有限公司 | 一种基于面部表情识别的智能音响系统 |
| CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
| CN109145837A (zh) * | 2018-08-28 | 2019-01-04 | 厦门理工学院 | 人脸情感识别方法、装置、终端设备和存储介质 |
| CN109948541A (zh) * | 2019-03-19 | 2019-06-28 | 西京学院 | 一种面部情感识别方法与系统 |
-
2020
- 2020-09-27 CN CN202011036358.1A patent/CN112101293A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824059A (zh) * | 2014-02-28 | 2014-05-28 | 东南大学 | 一种基于视频图像序列的人脸表情识别方法 |
| CN106778621A (zh) * | 2016-12-19 | 2017-05-31 | 四川长虹电器股份有限公司 | 人脸表情识别方法 |
| 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 |
| CN107729882A (zh) * | 2017-11-19 | 2018-02-23 | 济源维恩科技开发有限公司 | 基于图像识别的情绪识别判定方法 |
| CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
| CN107943449A (zh) * | 2017-12-23 | 2018-04-20 | 河南智盈电子技术有限公司 | 一种基于面部表情识别的智能音响系统 |
| CN109145837A (zh) * | 2018-08-28 | 2019-01-04 | 厦门理工学院 | 人脸情感识别方法、装置、终端设备和存储介质 |
| CN109948541A (zh) * | 2019-03-19 | 2019-06-28 | 西京学院 | 一种面部情感识别方法与系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712006A (zh) * | 2020-12-25 | 2021-04-27 | 四川云从天府人工智能科技有限公司 | 目标图片抓拍方法、系统、介质及装置 |
| CN112967798A (zh) * | 2021-03-22 | 2021-06-15 | 平安国际智慧城市科技股份有限公司 | 基于人脸面容的辅诊方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8811726B2 (en) | Method and system for localizing parts of an object in an image for computer vision applications | |
| Heflin et al. | Detecting and classifying scars, marks, and tattoos found in the wild | |
| CN114359998B (zh) | 一种人脸口罩佩戴状态下的识别方法 | |
| JP2009069996A (ja) | 画像処理装置および画像処理方法、認識装置および認識方法、並びに、プログラム | |
| CN111178195A (zh) | 人脸表情识别方法、装置及计算机可读存储介质 | |
| CN111401312A (zh) | Pdf图纸文字识别方法、系统以及设备 | |
| CN112101293A (zh) | 人脸表情的识别方法、装置、设备及存储介质 | |
| Saeed | A framework for recognition of facial expression using HOG features | |
| Kasim et al. | A study on facial expression recognition using local binary pattern | |
| Gürel et al. | Design of a face recognition system | |
| Anjomshoae et al. | Enhancement of template-based method for overlapping rubber tree leaf identification | |
| Kalam et al. | Gender classification using geometric facial features | |
| Gervei et al. | 3D face recognition using modified PCA methods | |
| Buddharpawar et al. | Iris recognition based on pca for person identification | |
| Elsayed et al. | Hand gesture recognition based on dimensionality reduction of histogram of oriented gradients | |
| Vijayarani et al. | Facial feature extraction based on FPD and GLCM algorithms | |
| CN113887509A (zh) | 一种基于图像集合的快速多模态视频人脸识别方法 | |
| Singh et al. | Detecting face region in binary image | |
| Elsayed et al. | Hybrid method based on multi-feature descriptor for static sign language recognition | |
| WO2021056531A1 (zh) | 人脸性别识别方法、人脸性别分类器的训练方法及装置 | |
| Kumar et al. | Emotion recognition using facial expression | |
| Mall et al. | A neural network based face detection approach | |
| CN117133022B (zh) | 彩色图像掌纹识别方法及装置、设备、存储介质 | |
| Paul et al. | Component based face recognition using feature matching through Hu moment invariants | |
| Brüning et al. | Advanced Feature Extraction Workflow for Few Shot Object Recognition |
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 |