JNI技术在基于OpenCV的人脸与微笑检测中的应用

人脸识别技术是当前人工智能中较为热门的一个分支,已经有许多开源的视觉库为其奠定了良好基础,如OpenCV等,然而OpenCV在Java环境下有诸多不便。为了解决这一问题,介绍了JNI技术,以及在Java环境下,如何通过JNI调用OpenCV库实现人脸与微笑检测。实验结果表明,将JNI应用于Java虚拟机的人脸检测,可获得更高的人脸检测速度。

基于多分类模型加权投票法的人脸微笑检测

为了进一步提高人脸微笑检测率并解决微笑检测系统用于训练标签数据不足的问题,结合人脸图像的纹理和几何特点,应用了一种基于多分类模型加权投票法的微笑检测方法。在经预处理和直方图均衡化的面部图像上,利用局部二进制模式(LBP)和Gabor小波变换提取局部的、抽象的特征,同时以人脸特征点检测作为补充,构建了四种不同的分类模型(UPN、GPS、AdaBoost和LDA),分别对人脸图像进行分类检测,同时结合各模型之间互补和各自对微笑检测的优势,通过计算权值对各结果进行加权投票,得到面部图像的最终检测结果。实验结果显示出该方法的有效性,在公开的GEN-KI-4K人脸数据集上获得了95.8%的微笑检测率,比单个分类模型的平均检测率提高了10.3%,与该数据集的最新的微笑检测率相等。

基于嘴巴区域的空间光滑子空间特征微笑检测算法

微笑检测作为一种通过人脸识别人类情绪的重要方法已广泛应用在生活中,大量微笑检测算法被提出以提高微笑检测的准确率。然而在实际应用中计算资源通常有限,减少算法所需的计算时间与存储空间同样重要。不同于现有的利用人脸区域的微笑检测算法,提出一种基于嘴巴区域的微笑检测方法来减少算法运行的时间。使用流形降维算法在嘴巴区域提取具有判别性能的特征,同时结合图像是二维形式的本质特点引入空间光滑子空间学习来提高分类准确率。实验及分析表明基于嘴巴区域的微笑检测算法减少了算法运行所需的时间与特征所需的存储空间,取得了较高的准确率。

基于深度卷积神经网络的面部微笑检测

传统的面部微笑检测算法通常提取面部的低级特征,并通过二进制分类器进行分类,从而会导致一些重要纹理信息的丢失和识别率低下等问题,为此提出一种基于深度卷积神经网络的面部微笑检测算法。首先把网络结构分为四个卷积模块和两个全连接层,在卷积层和全连接层之后加入修正线性单元(rectified linear unit,ReLU)和批规范化(batch normalization,BN)方法进行数据处理,并使用较小的卷积核以改进深度卷积神经网络模型中的相关参数和结构,并对改进的深度卷积神经网络模型做出研究。在人脸微笑表情数据库GENKI-4K进行了实验和网络性能测评,结果显示当训练次数达到400 epoch时整个网络趋于稳定,准确率达到95%左右。所提的面部微笑检测方法,利用改进的卷积神经网络提取卷积特征代替传统手工特征提取过程,并改进了原有的深度卷积神经网络,提高了面部微笑检测的识别率和训练网络的收敛速度。