基于智能感知的人脸细微表情情绪推定算法

人脸局部纹理的细微变化是判定情绪的关键视觉线索,但是表情的细微变化捕捉难度较大,且特征提取易出现偏差,提出一种基于智能感知的人脸细微表情情绪推定算法。通过滤波去除人脸图像干扰,采用差分法提取出连续图像中的人脸区域。使用Fisher线性变换确定RGB向量的最佳投影方向,区分人脸局部特征区域,提取细微表情特征。加入变分自编码器,将注意力模型嵌入到变分自编码网络中,根据网络关注推定不同类型情绪的重要特征。将未标记的特征输入到变分编码器中展开训练,同时将提取到的特征作为特征提取器,智能感知不同类型的面部表情,最终实现人脸细微表情情绪推定。仿真测试结果表明,所研究算法能够精准提取人脸细微表情特征,通过细微表情推定的情绪精度也较高,查全率和查准率可达97%,验证了该算法的可应用性。

基于MPEG-4的细微表情转换方法

介绍了基于MPEG-4标准的人脸动画工作原理,并提出了一种构造人脸动画定义表的方法。首先对照人脸定义参数(Facial Definition Parameter,FDP)选取一些特征点,然后用人脸动画参数(Facial Animation Parameter,FAP)驱动人脸动画。最后通过结合局部表情比例图(Partial Expression Ratio Image,PERI),实现了具有细微表情特征的真实感人脸动画。

基于混合特征和分类树的细微表情识别方法

目前多数人脸表情识别的研究仅限于6种基本表情,未考虑到人脸表情变化是细微的。因此提出了基于混合特征和分类树的细微表情识别方法。对眼睛区域采用Gabor小波变换提取纹理变化特征,对鼻子区域采用2D-DCT提取纹理变化特征,而对嘴巴区域采用改进的AAM提取形状变化特征。分类识别时,将易混淆表情先归为一类进行表情的粗分类,然后对类内的表情选择相应表情贡献较大的特征子区域中的特征,进行表情细分类。在每级分类识别过程中,对每个区域采用离散HMM得出表情概率,最后采用在训练阶段得到的贡献权值进行加权融合得到分类结果。实验结果表明,该方法能够得到较好的识别效果,且处理速度快,适合于实时图像序列的细微表情识别。

图像特技动画人脸面部细微表情的生成方法

针对人脸面部细微表情成像质量差及成像用时长的问题,提出基于形态学滤波检测和边缘特征分割的图像特技动画人脸面部细微表情生成方法。构建特技动画人脸面部特征采集模型,对采集的图像进行融合滤波处理,提取图像的边缘轮廓特征量。利用形态学变换的方法进行原图像滤波降噪,采用多尺度小波变换方法进行图像特技动画人脸面部细微表情特征分解,构建人脸面部的像素点和相似度特征检测模型,采用形态学变换方法进行人脸面部细微表情特征转换,结合边缘特征分割实现人脸面部细微表情生成。仿真结果表明,采用该方法进行人脸面部细微表情成像质量较高,成像用时较短,实用性好。