人脸表情识别

摘要： 为解决人脸表情识别时存在的参数量大、速度低和表情区域特征表示力不足的问题,提出一种基于深度二值卷积网络的人脸表情识别方法.首先设计一个二值卷积与传统卷积并行运算的轻量化网络模型BRNet,以降低网络模型参数的复杂度,从而提升识别的速度;然后构建一个动态半径策略提取表情二值特征,并形成表情区域注意权重,实现表情局部特征与人脸全局特征的有效融合;最后设计交叉熵和L2损失,快速实现了表情图像的准确分类.实验结果表明,所提方法在常用的CK+和Oulu-CASIA表情库上的平均识别率分别达到99.25%和93.85%,皆优于同类轻量级卷积网络;网络参数量和计算量为5.0×10^(5)B和2.1×10^(5)B,而EfficientFace模型的计算量约为该方法的77倍,证明了所提方法在表情识别中的有效性和轻量性.

摘要： 目前的人脸表情识别更关注包含面部遮挡、图像模糊等因素的野外图像而非实验室图像,且COVID-19的流行使得人们不得不在公共场合佩戴口罩,这给表情识别任务带来了新的挑战。受启发于最近Transformer在众多计算机视觉任务上的成功,提出了基于注意力及视觉Transformer的野外人脸表情识别模型,并率先使用CSWin Transformer作为主干网络。加入通道-空间注意力模块来提高模型对于全局特征的注意力。Sub-center ArcFace损失函数被用来进一步优化模型的分类能力。在两个公开的野外表情数据集RAF-DB和FERPlus上以及它们对应的口罩遮挡数据集上对所提出的方法进行了评估,识别准确率分别为88.80%、89.31%和76.12%、72.28%,提高了表情识别精度。

摘要： 针对传统卷积神经网络在表情特征提取阶段容易丢失大量有用信息,无法提取到高判别性表情特征,从而导致表情识别率低的问题,提出一种基于多尺度特征融合注意力机制的人脸表情识别方法.首先,采用VGGNet16来提取卷积特征.为了避免表情特征信息的丢失,将网络中不同层次卷积层的输出特征图进行多尺度特征融合,引入上下文信息的同时提取更加丰富的表情特征信息;为了能够着重关注关键表情特征,在网络中引入了注意力机制.该机制利用分组卷积操作对通道注意力模块进行改进,学习不同通道的权重信息,获取注意力特征图,增强特征的表达能力,抑制冗余信息的影响.为了进一步提高提取到表情特征的可判别性,引入孤岛损失函数,并与Softmax分类损失函数联合使用构成新的损失函数.最后,由于对全连接层进行了删减.为防止网络出现过拟合问题,在卷积层引入了DropBlock策略.实验结果表明,该模型在Fer2013和CK+数据集上分别取得了73.32%和97.40%的平均准确率.

摘要： 首先,针对人脸表情识别问题提出一种新的多尺度特征选择网络识别方法,该网络充分结合多尺度网络结构和特征选择结构的优点,能更有效地提取面部静态图像中的空间信息.其次,为验证本文提出的多尺度特征选择网络的识别性能和泛化能力,在两个经典的人脸表情识别数据集上与一些常用的方法进行对比和交叉验证实验.实验结果表明,该网络取得了更好的识别效果,并且具有良好的泛化能力,可以灵活地嵌入到人脸表情识别分析系统中.

摘要： 随着人工智能技术的发展,人脸表情识别可以从图像或视频中抽取表情状态,识别对象心理情绪,从而达到更好的人机交互效果。然而多数方法只关注正面无遮挡的人脸表情识别,并不能适用于客观复杂的场景,极大地限制了算法的实用性。近几年,针对光照遮挡、噪声遮挡、姿态遮挡、实物遮挡等不同类型的遮挡,研究者们提出了各种新方法来挑战人脸部分遮挡下的表情识别,综述了这些方法的主要原理并进行了对比分析,同时对未来的研究和发展方向进行了展望。

摘要： 线上教学是教育教学的一种重要模式,学习者能够随时随地开展学习活动。先进的人工智能技术在高等院校线上教学过程中的应用对该领域的发展起到了至关重要的作用。通过深入分析高等院校线上教学的现状及特点,结合人工智能技术的发展,探讨现有人脸表情识别等先进的人工智能技术在高等院校线上教学过程中的应用模式,以促进人工智能技术在线上教学中的不断发展,进一步提升线上教学的教学效果。

摘要： 针对Softmax损失监督下各类样本之间区分度不足的问题,提出了一种孤立中心损失监督方法。基于类间离散度尽量大、类内离散度尽量小的原则,提出方法由3部分组成:采用等角分布固定权值,使得全部类间夹角余弦值之和最小,确保不同类别在角度空间的距离最大化;中心聚类思想,最小化每个样本与其所属类别的中心之间的欧氏距离,促使同类样本尽量聚拢;最大化不同类之间的欧氏距离,使得不同类样本在欧氏空间尽量分开。在表情数据集FER2013、FERPlus和RAF-DB上的测试结果显示:提出方法的平均准确率分别达到了73.02%、88.56%和86.26%,相比于Softmax损失函数,分别提升了1.25%、0.44%和0.65%;同时,提出方法比Softmax损失更加稳定(相同配置下多次实验结果的变化程度更小);提出方法的运行速度只比Softmax损失方法略微慢一点,仍然比一些其他方法快。

摘要： 针对人脸表情呈现方式多样化以及人脸表情识别易受光照、姿势、遮挡等非线性因素影响的问题,提出了一种深度多尺度融合注意力残差网络(deep multi-scale fusion attention residual network,DMFA-ResNet)。该模型基于ResNet-50残差网络,设计了新的注意力残差模块,由7个具有三条支路的注意残差学习单元构成,能够对输入图像进行并行多卷积操作,以获得多尺度特征,同时引入注意力机制,突出重点局部区域,有利于遮挡图像的特征学习。通过在注意力残差模块之间增加过渡层以去除冗余信息,简化网络复杂度,在保证感受野的情况下减少计算量,实现网络抗过拟合效果。在3组数据集上的实验结果表明,本文提出的算法均优于对比的其他先进方法。

摘要： 基于轻量级的OpenCV软件库,提出了一种人脸表情图像识别系统。该系统结合了迁移学习策略和具有中心损失的联合监督方法,以优化人脸识别的过程。为了提高识别的准确性和速度,该系统采用MobileNet这一个轻量级的卷积神经网络模型,以实现脱机和实时框架中部署。为了验证该系统的有效性,分别使用两个常用的数据集对系统进行评估。实验结果显示,该系统能够提高人脸识别的准确度。

摘要： 为解决表情识别任务中表情特征提取困难和单一的问题,提出一种结合深度残差网络与几何特征的表情识别分法。该方法对深度残差网络进行改进,使用连续小卷积代替大卷积,在各残差块中加入注意力机制,将相同的两个改进残差网络分别作为分支网络,各自提取表情特征,再通过加和平均进行聚合实现特征互补,得到全局特征。采用人脸关键点构建并计算人脸几何特征,使用主成分分析法去除冗余信息,得到几何特征,与全局特征进行融合作为最终表情特征,使用Softmax进行分类。在CK+与JAFFE数据集上进行验证实验,结果表明,改进后的方法分别取得了98.05%和95.29%的识别率。相较于一些常用人脸表情识别方法,基于深度残差网络与人脸关键点的表情识别方法准确率有一定提高。

摘要： 人脸表情识别是数字图像处理、模式识别等领域的热点研究问题之一.目前人脸表情识别分为3个核心环节:人脸检测、特征提取和表情分类.归纳了特征提取和表情分类的方法,着重介绍了几种代表性的表情特征提取和表情分类方法,分析了其各自的优缺点,最后根据当前的研究现状,对人脸表情识别的发展趋势进行了简单的论述.

摘要： 在分析Gabor小波和局部二元模式算子特性基础上,本文利用局部二元模式算子对提取的Gabor特征进行编码,得到人脸表情的局部Gabor二值模式.针对局部Gabor二值算法复杂度较高,文中采用局部保全投影算法将它降维到其空间,大大减少了运算时间.CMU表情库中实验结果表明：在采用欧式距离进行度量、K邻分类器进行识别的条件下,本文算法的人脸表情识别率较其他算法有了明显提高,识别速度相当.

摘要： NVIDIA CUDA对大规模数据并行计算有很强的适应能力，CUDA 共享内存是GPU 片内的高速存储器，访问速度与寄存器相当，能够有效地解决线程间延迟对于影响效率提高的 问题。本文利用CUDA 共享内存进行人脸表情识别实验，结果显示解决了GPU 线程间延迟的 问题后，效率有了明显的提高，相比较CPU 而言，提高了700多倍。

摘要： 当前人脸表情识别易受性别、民族文化因素的影响。为得到具有鲁棒性的人脸表情识 别方法，本文提出一种基于语义及案例推理的新方法。该方法首先用DVF 自动提取人脸低层的特征点信息，用LBP 提取人脸的皱纹纹理信息，通过纹理特征循环案例库返回皱纹语义信 息。然后基于语义AHP 方法将人脸表情进行分层，参数化人脸表情语义向量。基于K-NN 提 出三个置信度估计器，计算语义向量的权重。最后基于CBR 设计人脸表情分类器，得到表情 分类。提出的人脸表情识别方法在图像高层语义上识别人脸表情，对不同的性别、民族文化的 人脸表情具有鲁棒性。在Cohn-Kande 人脸表情数据库中实验，获得了95.07%的整体识别率。理论分析和实验结果表明，与其它的识别方法相比，该方法具有更好的识别效果。

摘要： 本文提出了一种基于核广义鉴别分析(GDA)和支持向量机(SVM)的人脸表情识别算法。首先采用GDA算法提取人脸表情特征,再利用SVM对特征空间数据进行分类,在JAFFE人脸表情静态图像库上对算法进行了实验,讨论了核函数参数对识别结果的影响,取得了一些令人满意的结果。

摘要： 本文提出了一种 PCA 在表情识别方面的新方法——类内 PCA。首先，将所有的训练样本按表情类别分好;再对分好类的训练样本进行 Gabor 滤波，得到每一类表情的 Gabor 特征;然后对滤波后的表情样本按类别进行 PCA 特征选择并得到每类表情的最主要特征，构造每类表情的特征空间，我们把构造这些特征空间的特征向量称为特征表情;最后在特征表情的基础上进行分类识别。本方法在日本女性表情数据库 JAFFE 上的实验结果表明，与传统的 PCA 方法相比，该方法的识别率有较大的提高。

摘要： 本文提出了一种PCA在表情识别方面的新方法——类内PCA。首先，将所有的训练样本按表情类别分好;再对分好类的训练样本进行Gabor滤波，得到每一类表情的Gabor特征;然后对滤波后的表情样本按类别进行PCA特征选择并得到每类表情的最主要特征，构造每类表情的特征空间，我们把构造这些特征空间的特征向量称为特征表情;最后在特征表情的基础上进行分类识别。本方法在日本女性表情数据库JAFFE上的实验结果表明，与传统的PCA方法相比，该方法的识别率有较大的提高。

摘要： 提出了将量子神经网络应用于人脸表情识别.采用基于多层激励函数的量子神经网络和多级分类器组合的方法,对6种表情(生气、厌恶、恐惧、高兴、悲伤、惊讶)进行识别,并在CMU人脸表情库中进行训练和测试.实验结果表明,该识别方法在识别率和可靠性方面均有良好的效果,验证了该方法的有效性.

摘要： 手工设计的特征(如Gabor、LBP等)在表情识别中得到了广泛的应用.独立子空间分析是一种无监督特征学习方法,可从图像中学习出具有相位不变的特征.在表情识别应用中,由于复杂背景的影响以及人脸对齐方法的局限性,很难得到精确对齐的人脸图像序列.研究了在非精确对齐情况下,基于独立子空间分析的表情识别问题.通过分析不同子空间尺寸下的表情识别效果发现,在非精确对齐情况下,选择合适的子空间尺寸能提升学到的特征对表情识别的鲁棒性.

摘要： 手工设计的特征(如Gabor、LBP等)在表情识别中得到了广泛的应用.独立子空间分析是一种无监督特征学习方法,可从图像中学习出具有相位不变的特征.在表情识别应用中,由于复杂背景的影响以及人脸对齐方法的局限性,很难得到精确对齐的人脸图像序列.研究了在非精确对齐情况下,基于独立子空间分析的表情识别问题.通过分析不同子空间尺寸下的表情识别效果发现,在非精确对齐情况下,选择合适的子空间尺寸能提升学到的特征对表情识别的鲁棒性.

摘要： 本申请公开了一种人脸表情识别方法，包括：从原始图像中检测出人脸；对检测的人脸进行人脸对齐和特征点定位；从人脸图像中提取出面部特征信息；根据获取的特征数据，进行表情分类，实现人脸表情识别。本申请通过人脸检测、特征点定位、特征提取，表情分类从而进行人脸表情进行最大可能性的预测，保证了表情识别的准确性，具有广泛的应用前景。

摘要： 本发明公开了一种基于显著表情变化区域辅助学习的人脸表情识别方法，其搭建一个辅助学习网络对人脸表情图像中的显著表情变化区域进行特征提取，将主网络与辅助学习网络的前3层特征提取层的参数进行共享，将辅助学习网络的第四层、第五层特征提取层提取的特征与主网络的第四层、第五层进行特征加权融合，使得主网络结构可以学习到辅助网络中的一些显著表情区域的特征；使用人脸检测和定位算法对人脸表情数据集进行处理得到人脸区域图像，用于对主网络进行训练；将人脸区域图像进行预处理得到具有表情显著变化区域的图像，用于对辅助学习网络进行训练，使得表情识别的主网络可以更加集中注意力在显著表情变化的区域，从而提取更加具有辨识力和鲁棒性的表情特征。

摘要： 本发明公开了一种训练跨域人脸表情识别模型、人脸表情识别的方法及系统，其中训练方法包括：首先构建人脸全局‑局部特征图，利用源域的表情标签及特征图对特征提取器及分类器进行预训练；基于源域和目标域的图像及源域表情标签利用预设目标函数约束，将预训练好的特征提取器与判别器进行对抗式迁移学习，预训练好的分类器自适应微调，得到进行训练好的特征提取器、分类器及判别器；将训练好的特征提取器、分类器、判别器及人特征图组成跨域人脸表情识别模型，该方法将图传播机制与对抗学习相集成，实现跨领域人脸表情识别的整体特征与局部特征的相适应，利用对抗式领域自适应图表征以及人脸特征全局‑局部图提高跨场景人脸表情识别准确率。

摘要： 本发明涉及图像处理技术领域，提供一种人脸表情识别方法及装置，所述方法包括：对待识别的图像进行人脸检测，获得人脸检测图像；对所述人脸检测图像进行预处理，获得预处理后的人脸检测图像；将预处理后的人脸检测图像输入至已训练的表情识别神经网络，以由所述表情识别神经网络输出所述人脸检测图像中人脸的表情类别；其中，所述表情识别神经网络为生成性对抗网络。本发明提供的技术方案，能够对人脸表情进行更加高效、准确地识别。

摘要： 本申请公开了一种人脸表情识别方法，包括：从原始图像中检测出人脸；对检测的人脸进行人脸对齐和特征点定位；从人脸图像中提取出面部特征信息；根据获取的特征数据，进行表情分类，实现人脸表情识别。本申请通过人脸检测、特征点定位、特征提取，表情分类从而进行人脸表情进行最大可能性的预测，保证了表情识别的准确性，具有广泛的应用前景。

摘要： 本发明适用于信息处理领域，提供了一种人脸表情识别方法及人脸表情识别装置，包括：构建并训练基于卷积神经网络的情绪识别模型；将待识别的人脸图像输入所述情绪识别模型，以输出所述人脸图像的情绪类别，所述情绪类别包括正面情绪、负面情绪以及中立情绪中的一种；获取与所情绪类别对应的表情识别模型；将人脸图像输入所述表情识别模型，以输出所述人脸图像的表情类别。本发明通过分层次的方式来对人脸的表情进行识别，根据不同的情绪来选择不同的表情识别模型，减少了每个识别模型所需要记忆的内容，降低了整个表情识别过程的运算复杂度，提高了运算效率。相比于传统的人脸表情识别方法，在本发明中，人脸表情的识别准确率以及识别效率更高。

摘要： 本发明公开了一种人脸表情识别方法和人脸表情识别装置，其中，该人脸表情识别方法包括：获取待识别的人脸图像序列，所述人脸图像序列包含单帧或两帧以上人脸图像；分别对所述人脸图像序列中的各帧人脸图像进行预处理；将预处理后的各帧人脸图像输入已训练好的训练模型进行表情识别，得到所述人脸图像序列的表情识别结果；其中，所述训练模型的输入端到输出端依次由卷积神经网络模型、长短时记忆循环神经网络模型、第一池化层和逻辑回归模型构建，且所述训练模型通过标注表情类别的连续帧图像集合训练得到。本发明提供的技术方案能够有效提升人脸表情的识别性能。

摘要： 本发明公开了一种基于表情迁移的人脸表情识别方法，属于深度学习与图像处理技术领域。本发明通过提取出高纯度的表情相关特征，进而提高表情识别任务的精度。本发明方法为：利用已有成熟网络提取表情图像的全局特征向量，并使用分解器将全局特征向量分解为特征向量A和特征向量B；进行表情迁移训练，使特征向量A演变为表情相关特征，而特征向量B演变为表情无关特征；利用表情相关特征进行表情识别，输出表情类别。本发明借助表情迁移的辅助任务，将原始的含有干扰信息的表情特征向量分解为表情相关特征向量与表情无关特征向量，表情相关特征向量是高质量的，更利于表情识别任务。

摘要： 本发明公开了一种表情强度变化的人脸表情识别方法、系统及存储介质。该方法包括：获取数据样本集，所述数据样本集包括峰值表情样本和非峰值表情样本；提取所述数据样本集中每个样本的特征向量，所有样本的特征向量组成特征矩阵；构建第一邻接矩阵和第二邻接矩阵；将所述特征矩阵、所述第一邻接矩阵和所述第二邻接矩阵输入到图卷积神经网络进行训练。本发明能够充分利用强度相似表情之间的局部信息、峰值表情与非峰值表情之间的峰导信息，能够有效提高强度变化表情的分类精度。

摘要： 本发明属于动画制作技术领域，公开了一种基于人脸表情识别的动画角色面部表情生成方法，包括以下步骤：S1，人脸数据集和动画数据集通过情绪识别网络识别人脸和动画角色表情，对人脸和动画数据图片进行匹配；S2，通过深度学习相同表情的人脸图片与角色骨骼参数之间的映射关系，获得动画训练网络；S3，针对视频每一帧的输入，利用网络动画训练网络输出骨骼参数结果；S5，对输入图片进行三维重构，获得角色的运动参数，结合人脸图片的几何信息，对骨骼参数进行优化。相应地，本发明还公开了一种基于人脸表情识别的动画角色面部表情生成系统。本发明通过对嘴部和眼睛等人脸几何特征进行更为精细的控制，提高观众对于角色情绪变化感知程度。