基于四元数与ViT模型的颈肩疾病康复患者疼痛表情分类研究

与日俱增的社会生活压力增大了人们患有颈椎病、肩周炎等疾病的风险。此类颈肩疾病患者以疼痛症状为主要表现,患者进行康复治疗的评定时,患者会同步呈现不同程度的面部疼痛表情,对这些疼痛表情进行特征信息分析,可以给临床评价提供重要的参考。提出了一种基于深度学习算法的疼痛表情分类模型QA-ViT,可用于患者康复治疗中的辅助诊断。QA-ViT模型可有效地对患者表情疼痛程度进行分类,对3种不同程度疼痛的分类准确率高达92.18%。

基于优化支持向量机的人脸表情分类

分析了支持向量机(support vector machine,SVM)目前主要存在的问题和参数选择对分类性能的影响后,提出了以改进粒子群算法优化SVM关键参数的优化SVM算法。将加入拥挤度因子的微粒群算法引入到SVM中,在不牺牲泛化性能的前提下,对其参数进行优化,增加了SVM初始化参数的多样性,减慢了局部搜索,促进其在全局范围内的寻优搜索,以有效克服SVM算法过分依赖初始值和容易陷入局部极小值的缺点,并利用由粗到精的策略构造多层SVM人脸表情分类器,在提高准确率的基础上加快分类的速度。实验证明,新算法具有速度快、准确率高的优点。

一种人脸表情分类的新方法——Manhattan距离

提出了一种利用Manhattan距离进行人脸表情分类的新方法。Manhattan距离计算出具有不同模式的两个对象的距离更大。在实验中,比较了Manhattan距离、欧氏距离、余弦距离在人脸表情分类中的性能,得出Manhattan距离比另外两类距离有着更好的识别效果。

基于统计学习的人脸表情分类

人脸表情分类是一个跨学科富有挑战性的前沿课题。采用主动外观模型(AAM)提取人脸表情特征,建立统计线性的外观模型。建模时分三步:外形建模,纹理建模和外观建模。在纹理建模中针对光照不均的情况,采用直方图均衡化的方法代替原来的迭代法,即缩小了光照偏差又提高了运算速度。分类器的设计对分类效果十分重要,根据样本训练集的概率统计特点设计了一类简单的表情分类器。最后用该方法对Yale人脸库中的表情分类进行实验,实验结果表明:该算法简单易行,运行速度比较快,具有一定的可行性。

基于深度卷积神经网络的脸部表情分类研究

为了更加精确地对人脸表情进行分类,文中提出了使用CNN(卷积神经网络)来进行脸部表情的识别分类,其包含8层网络,前5个是卷积层(C1-5),其余3个是全连接层(FC6-8)。最后一个全连接层的输出提供给6路softmax,其在6类标签上产生一个分布。文中收集各种数据库,并将数据库组织成6个表情类,如"中性"、"高兴"、"伤心"、"愤怒"、"惊讶"和"反感"。应用预处理和数据增强技术来提高培训效率和分类性能。调整卷积层的特征映射的数量与全连接层的节点数,找到最能表达6个面部表情特征的最优结构。并通过交叉验证和交叉数据库实验得出,文中提出的CNN结构具有良好的脸部表情分类性能。其次,与其他传统模型相比,所提出的CNN结构在分类性能方面具有优越性且执行时间更短。

基于概率图模型的表情分类方法研究

针对在小规模样本集上如何提高学习算法的准确率问题,提出了基于概率图模型的表情分类算法.本文提出了一种表情区域分割方法,将人脸表情图像划分为5个面部区域,通过概率图模型的分类方法理论基础,由5个表情分类子网络和Softmax分类层构成基于概率图模型的表情分类模型,实现对人脸表情图像的分类.通过在JAFFE人脸表情库和CK表情数据库上实验分析,得到识别准确率分别为97.78%和98.95%,分别提高了1.85%和5.92%准确率.实验结果表明:本文方法对表情分类识别率的提高有重要意义,并且本文方法有效提高了对于小样本图像的分析与理解能力.

基于改进协作表示的人脸表情分类

如今,人脸表情的相关研究是非常热门的话题,研究者愈发的关注其相关分类算法.而提高分类的精度对人工智能等相关前沿领域具有实际的应用价值.目前图像分类的方法层见叠出,其中较为经典的有线性判别分析和稀疏表示等.针对图像分类计算复杂度高,特征利用率以及分类精度等相关问题,本文提出了一种改进的协作表示分类算法.首先采用分块加权局部二值模式对图像进行分块处理,得到每个子块的纹理特征向量,为了避免维度灾难使用主成分分析法进行降维,同时也能够提升算法的运行速度,最后采用竞争协作表示分类算法得到最终的分类结果.通过实验及结果分析对比表明,特征提取和协作表示算法的结合有着较好的分类效果.

基于KNN机器学习算法的机器视觉分类表情

机器视觉表情分类是人工智能领域的一个重要研究方向,旨在通过计算机视觉技术和深度学习算法实现对人类面部表情的自动识别和分类。机器视觉表情分类面临多样性和复杂性、数据不平衡、光照姿势变化、情感混合噪声干扰、模型泛化性能和隐私安全等挑战。本文研究一种基于KNN机器学习算法模型,把分类好的数据集训练成一个表情分类模型,然后通过numpy等科学计算库将录入的表情图像特征转换为数据集所规定的特征,利用训练好的模型实现表情分类,最终部署到树莓派上完成机器视觉分类表情。

人脸表情的实时分类

提出一种基于连续Adaboost算法的人脸表情实时分类方法.使用Haar特征设计了具有连续致信度输出的查找表型弱分类器形式,构造出弱分类器空间,采用连续Adaboost算法学习出人脸表情分类器.实验结果表明:文中方法与支持向量机方法相比,对于人脸表情分类的正确率相当,而速度快近300倍,具有实时性和非常明显的应用价值.

基于神经网络树的面部表情自动分类方法

提出了一种结合Gabor变换与神经网络树的面部表情自动分类方法。通过调整Gabor滤波器参数可以建立低信息冗余的Gabor表情特征。与线性判别分析方法相比,本文提出的方法在表情分类应用中更加稳定有效。实验结果表明Gabor特征提取位置的对应性在面部表情自动分类准确性上具有关键作用。

基于粗略到精细分类的面部表情识别方法

为了更准确地识别人的表情,在识别人脸7种基本表情(愤怒、厌恶、恐惧、高兴、无表情、悲伤和惊讶)时,采用了局域二值模式技术提取面部特征,进行由粗略到精细的表情分类。在粗略分类阶段,7种基本表情中的2种表情被选为初步分类结果(候选表情)。在精细分类阶段,选用计算加权卡方值确定最终分类结果。采用日本的Jaffe表情数据库来验证算法性能,对陌生人表情的识别率为77.9%,其结果优于采用同样数据库的其他方法,且易于实现。

面向人脸表情分析的人脸图像正脸化方法

在人脸表情分析过程中,头部姿态变化常会引起人脸信息的不对称,传统上仅对人脸图像进行裁剪和对齐的相关操作难以得到对姿态鲁棒的特征。为获取人脸结构化的特征,提出了一种人脸图像正脸化处理方法。该方法将检测到的人脸关键点映射到新的二维空间进行关键点的正脸化,将正脸化后的关键点还原到原始图像中作为新关键点,通过移动最小二乘法指导图像由原始关键点向新关键点变形,得到正脸化后的人脸图像。在公共的RAF-DB和ExpW人脸表情数据集上,采用上述处理方法对人脸图像进行预处理,并在VGG16和ResNet50深度学习网络中进行人脸表情分类任务的模型训练,用分类任务的准确率来评估文中正脸化方法对人脸表情分析的有效性。实验结果表明,该方法在人脸表情分析方面优于深度学习中传统的预处理方法,并且可以有效提高人脸的信息质量。

微表情峰值帧定位引导的分类算法

目的 微表情是人在外界信息和刺激下做出的无意识面部动作,是判断受试人情绪和行为的重要佐证,在社会安全、商业谈判和心理辅导等领域都有着广泛的应用。微表情不同于一般的表情,分类与定位较为困难。针对这种情况,提出了一种基于光流窗口的双分支微表情定位网络(dual-branch optical flow spotting network,DFSN)和一种利用峰值帧光流信息的微表情分类网络,以识别视频中的微表情。方法 在定位任务中,首先提取面部图像,选择光流窗口大小和位置,计算面部光流并进行预处理;接下来输入双分支网络中进行两次分类,分别针对有无微表情和在有微表情前提下微表情所处阶段分类,并结合两个损失函数抑制过拟合;最后绘制出微表情强度曲线,曲线峰值所处位置即为所求微表情峰值帧。在分类任务中,选取视频起始帧和定位网络取得的峰值帧作为光流窗口,并利用欧拉运动放大算法(Eulerian motion magnification,EMM)放大微表情,最后采用峰值帧光流信息分类微表情视频。结果 微表情定位网络分别在CASME Ⅱ(Chinese Academy of Sciences Micro-expression Database Ⅱ)数据集和CASME数据集上按照使用留一被试交叉验证法进行了实验,与目前最好的定位方法比较,此网络在CASME Ⅱ上获得了最低的NMAE(normalized mean absolute error)值0.101 7,比Optical flow+UPC方法提高了9%。在CASME上获得的NMAE值为0.137 8,在此数据集上为次优定位方法。在定位网络得到的峰值基础上,分类网络在CASME Ⅱ上取得了89.79%的准确率,在CASME上取得了66.06%的准确率。若采用数据集标注的峰值,分类网络在CASME Ⅱ上取得了91.83%的准确率,在CASME上取得了76.96%的准确率。结论 提出的微表情定位网络可以有效定位视频中微表情峰值帧的位置,帮助后续网络进行分类,微表情分类网络可以有效区分不同种类的微表情视频。

人脸表情识别综述

人脸表情识别作为情感计算的一个研究方向,构成了情感理解的基础,是实现人机交互智能的前提。人脸表情的极度细腻化消耗了大量的计算时间,影响了人机交互的时效性和体验感,所以人脸表情特征提取成为人脸表情识别的重要研究课题。总结了国内外近五年的人脸表情识别的稳固框架和新进展,主要针对人脸表情特征提取和表情分类方法进行了归纳,详细介绍了这两方面的主要算法及改进,并分析比较了各种算法的优势与不足。通过对国内外人脸表情识别应用中实际问题进行研究,给出了人脸表情识别方面仍然存在的挑战及不足。

人脸表情识别综述

人脸表情识别是人类情感识别的基础,是近年来模式识别与人工智能领域研究的热点问题。本文首先总结了人脸表情识别的发展过程,主要包括传统的表情特征提取、表情分类方法与基于深度学习的表情识别方法,并对各种算法的识别率与性能进行了分析与比较。然后介绍了表情识别常用的数据集及各数据集的优势与存在的问题,并针对这些问题归纳分析了生成对抗网络等用于数据增强的技术与方法。最后,总结了表情识别领域目前存在的问题并展望了未来可能的发展。

人脸表情识别研究的新进展

人脸表情识别(fac ial expression recogn ition,简称FER)作为智能化人机交互技术中的一个重要组成部分,近年来得到了广泛的关注,涌现出许多新方法。本文综述了国内外近4年人脸表情识别(FER)技术的最新发展。首先,介绍了FER系统的组成:人脸检测、表情特征提取和表情分类,并详细叙述了其中表情特征提取和表情分类的方法。然后,对目前广泛应用的人脸表情数据库进行了介绍,并在此基础上对当前一些FER系统的性能进行了比较分析。最后,对FER领域的研究现状和挑战给予了评述,对FER可能的发展方向进行了讨论。

人脸表情识别研究进展

人脸表情识别(Facial Expression Recognition,FER)是计算机视觉、机器学习、人工智能等领域的重要研究方向,目前已经成为国内外学者的研究热点。介绍了FER系统流程,总结了表情特征提取和表情分类的常用方法以及近年来国内外学者对这些方法的改进,并对这些方法的优缺点进行比较。最后,对目前FER研究的难点问题进行了分析,并对FER未来的发展方向进行展望。

基于视频图像的面部表情识别研究综述

面部表情识别是机器理解人类情感的前提,是改善人机交互关系的关键。首先,按照视频图像中面部表情识别的流程,综述了表情识别的3个阶段:人脸检测、表情特征提取、表情分类。重点介绍了表情特征提取和表情分类中所采用算法的原理、优缺点及应用场合,并给出了部分算法的识别率对比结果。其次,对人机交互中的微表情识别及表情识别的鲁棒性研究也做了介绍。最后总结了面部表情识别研究中存在的问题及难点,探讨了该领域值得进一步研究的问题。

基于多特征融合卷积神经网络的人脸表情识别

针对卷积神经网络特征提取不够充分且识别率低等问题,提出了一种多特征融合卷积神经网络的人脸表情识别方法。首先,为了增加网络的宽度和深度,在网络中引入Inception结构来提取特征的多样性;然后,将提取到的高层次特征与低层次特征进行融合,利用池化层的特征,将融合后的特征送入全连接层,对其特征进行融合处理来增加网络的非线性表达,使网络学习到的特征更加丰富;最后,输出层经过Softmax分类器对表情进行分类,在公开数据集FER2013和CK+上进行实验,并且对实验结果进行分析。实验结果表明:改进后的网络结构在FER2013和CK+数据集的面部表情上,识别率分别提高了0.06%和2.25%。所提方法在人脸表情识别中对卷积神经网络设置和参数配置方面具有参考价值。

基于深度学习的面部表情识别方法综述

人脸表情识别就是让计算机按照人类的思维理解表情,是人机交互的重要组成,然而随着深度学习的迅速发展,深度学习技术在人脸表情领域的研究也成为研究热点,因此对深度学习技术在表情识别中的应用及取得的成果进行分析是有必要的。首先总结了几种常用表情数据集;然后从特征提取和特征分类两方面对基于深度学习的表情识别方法进行了分类,并从网络改进方面分析了基于深度学习的表情识别中的几种网络改进方法;最后阐述了表情识别这一领域中面临的挑战和未来发展。