基于视觉机制与协同显著性的自发式表情识别

自发性面部表情视频中存在过多的冗余图像数据而在性能上遇到瓶颈,为此提出一种基于人眼视觉注意机制和协同显著性人脸特征提取算法。基于人类的视觉机制,动态提取关键帧解决面部表情的时间动态问题。通过乘法融合算法和图像协同获得关键序列帧显著区域。由于这些区域形变较小且与面部表情低相关,剔除这些显著区域,减少面部特征数据量。提取剩余面部的LBP特征,并使用SVM分类器进行分类。在Cohn-Kanade+人脸表情数据库和MMI数据库中的实验结果表明,该方法能有效提高自发表达序列的识别准确率。

基于多帧间区域性光流特征的精神疲劳检测

人体慢性疲劳表情具有持续时间长、帧间位移小的特点,使快速、准确的识别比较困难。分析上述问题,相比相位、能量、特征匹配的计算方法,基于梯度的光流方法计算简单且得到较好的结果,因此对基于梯度的全局光流技术进行研究,使用全局光流技术在连续多帧间局部区域内进行计算,获得稠密光流,得到相隔多帧的两幅图像的运动变化,解决持续时间长和帧间小位移的问题。通过计算眼部区域和嘴部区域的点运动情况提取光流特征,使用光流加速度模值,设置模值阈值参数提取开始打哈欠的那一帧,通过计算得出一段时间内眼睛闭合率和打哈欠频率。实验结果表明,该方法可以准确识别出疲劳表情。

结合结构自相似性和卷积网络的单幅图像超分辨率

针对单幅图像超分辨率(SR)复原病态逆问题,在重建过程边缘细节丢失导致的模糊,提出一种结合结构自相似和卷积网络的单幅图像超分辨率算法。首先,通过将尺度分解获得待重构图片样本的自身结构相似性,结合外部数据库样本结合作为训练样本,可以解决样本过于分散的问题;其次,将样本输入卷积神经网络(CNN)进行训练学习,得到单幅图像超分辨率的先验知识;然后,利用非局部约束项自适应选择最优字典重建图像;最后,利用迭代反投影算法对图像超分辨率效果进一步提升。实验结果表明,与双三次插值(Bicubic)方法、K-SVD算法和基于卷积神经网络的图像超分辨率(SRCNN)方法等优秀算法相比,所提算法可以得到边缘更为清晰的超分辨率重建效果。

基于结构自相似性和形变块特征的单幅图像超分辨率算法

针对单幅图像超分辨率(SR)复原样本资源不足和抗噪性差的问题,提出一种基于结构自相似和形变块特征的单幅图像超分辨率算法。首先,该方法通过构建尺度模型,尽可能地扩展搜索空间,克服单幅图像超分辨率训练样本不足的缺陷;接着,通过样例块的几何形变提升了局限性的内部字典大小;最后,为了提升重建图片的抗噪性,利用组稀疏学习字典来重建图像。实验结果表明:与Bicubic、稀疏字典学习(Sc SR)算法和基于卷积神经网络的超分辨率(SRCNN)等优秀字典学习算法相比,所提算法可以得到主观视觉效果更为清晰和客观评价更高的超分辨率图像,峰值信噪比(PSNR)平均约提升了0. 35 d B。另外所提算法通过几何形变的方式扩展了字典规模和搜索的准确性,在算法时间消耗上平均约减少了80 s。