基于Gabor滤波器的面部表情识别系统

由于缺乏有效的面部表情识别技术,面部表情识别在日常生活中的潜在应用没有得到重视。随着计算机化的盛行,运用计算机的面部识别也逐渐开始盛行。该文以MATLAB为开发工具,对面部表情进行研究。该文选择亚采样和归一化对表情图像原图进行预处理,找到面部特征的位置。然后再使用Gabor小波对预处理图像进行滤波,接着对滤波后的图像算欧式距离,最后使用最近邻方法找出最近的类,识别出表情图像所对应的情绪类型。

一种基于改进稠密卷积神经网络的表情识别方法

人的表情包含大量信息,可用于显示人的很多情感状态,例如疲劳和疼痛的表情等。卷积神经网络(CNN)是一种识别人脸表情的有效方法,它可以同时执行特征提取和分类,并可以自动发现数据中的多个表情特点。针对卷积神经网络参数大以及传统表情识别方法准确率不高的问题,提出一种基于改进的稠密卷积神经网络的面部表情识别模型。首先通过使用Gabor滤波器初始化第一层卷积层;然后采用一种对数线性函数(LLU)进行网络优化,该模型中的特征重用和参数压缩技术提高了网络的学习能力,大大减少了模型参数;最后基于此模型设计了一个表情识别系统,该系统能够准确地识别照片上的表情和在线识别人脸表情。实验结果表明,该模型可以显著提高三个表情数据集的准确率,并能很好地识别人脸表情。

深度可分离CNN在表情识别中的应用研究

目前,表情识别的研究主要集中在提高准确率、速率及鲁棒性上。对此,该方法提出一种新型网络结构,将传统卷积和深度可分离卷积相结合。在传统网络提取的二维特征基础上,对不同深度进行特征提取,实现二维特征向三维特征的转变,有效提高识别准确率和网络鲁棒性。同时,由于深度可分离卷积的特点,所提新型网络结构可大大减少网络参数,有效降低训练计算量并提高识别速率。实验结果表明,该模型在FER-2013数据集上拥有79.3%的准确率,在识别640*480的视频时,可达103帧/秒的识别速度。在现实场景的实时人脸表情识别中,也有较高的准确率和识别速率。

长隧道内光环境参数对驾驶员心理状态的影响

长隧道内光环境不仅仅与驾驶员的视觉体验关系密切,还与驾驶员的心理感受紧密相关。本文基于现场测试数据,根据某隧道照明需要建立了多种隧道照明工况和不同安装距离的反光膜,引入人脸面部表情识别系统后,将隧道充分照明工况与非充分照明工况进行对比,找出隧道内各段平均路面亮度、平均环境亮度与驾驶员紧张情绪占比平均值之间的对应关系。结果表明:隧道内的照明环境与驾驶员的紧张情绪呈现明显负相关;隧道路面平均亮度下降的速率与其对应的驾驶员紧张情绪升高的速率不一致,适当降低隧道内的路面照明水平,对驾驶员紧张情绪的改变不大,但却能大大降低隧道内的照明能耗;中间段路面亮度分别降低9.17%和48.3%时,对应的驾驶员紧张情绪占比平均值增加3%和7.67%;中间段内的最优亮度环境比R/E值(R为环境亮度,E为路面平均亮度)的范围为9.24~10.73;驾驶员紧张情绪对环境亮度的敏感程度高于对路面亮度的敏感程度,提高隧道内驾驶员20°视场角内的环境亮度,能够明显降低驾驶员的紧张情绪。