基于改进VGG网络的面部表情识别方法

针对传统面部识别方法中网络模型重要通道特征关注度欠缺、参数过多、准确率低等问题,提出一种基于改进VGG19网络(Visual Geometry Group,VGG19)的表情识别方法。该方法在VGG19网络的每组卷积层之间都加入一个新模块,新模块由三方面组成:SE注意力机制模块、BN批量归一化层、PReLU激活函数,SE模块中的原激活函数ReLU替换为Mish激活函数,加速收敛,提升网络对面部细节关注度;对全连接层参数量进行修改,去除第一层全连接层和第二层全连接层,最大池化层替换为全局混合池化,达到卷积层加全局混合池化、一层全连接层的组合。原网络中全连接层节点数由[4096,4096,1000]改进为[512,7],改善了VGG网络庞大参数量的特征,增加抗过拟合效果。在CK+和FER-2013表情数据集上准确率分别达到98.990%和73.112%,证明所提方法具有较好的泛化性和准确率。

结合超轻量级双注意力模块的ShuffleNetV2面部表情识别

针对面部表情识别领域中难以同时实现低参数量与高准确率的挑战,提出了一种结合注意力机制的ShuffleNetV2网络的面部表情识别方法。该方法基于ShuffleNetV2架构,通过微调模型将Relu激活函数替换为PRelu激活函数,进一步提升了模型的特征捕获与分类能力。此外,本文创新性地引入了一种超轻量级双注意力模块LDAM,该模块结合了DCAM注意力机制与空间注意力机制,并通过捷径连接技术集成到优化后的ShuffleNetV2模型中,以增强模型对细节特征的识别能力及分类效果。在FER2013和CK+两大公认的面部表情识别数据集上的实验结果显示,本方法分别达到了69.12%和94.77%的识别准确率,同时保持了低至1.25的模型参数量。这一成果不仅展示了在保持模型轻量化的同时提升识别性能的可能性,而且通过实验验证了所提出方法的高效性和实用性。

基于改进深度学习的动画人物面部表情生成方法的研究

在动画人物面部表情设计与生成的研究中,常规的表情生成方法因图像细节特征不明显,导致生成的面部表情真实度不足。为了解决这一问题,提出一种基于改进学习的动画人物面部表情生成方法。以真实的人脸面部表情图像作为依据,利用改进深度学习设计级联分类器,从真实图像中提取出人脸表情特征图像,柔化图像边缘,增强特征细节。为了保证输入图像与生成表情图像之间内容和风格的统一性,从内容约束和风格约束两方面设计损失函数,优化判断网络,并在损失函数的约束下融合特征信息,生成动画人物面部表情。实验结果表明,设计的基于改进深度学习的表情生成方法的特征点定位准确,输入图像与生成图像之间的皮尔逊相关系数高,均方根误差小,生成的面部表情真实感得到了增强。

利用改进型GAN网络的面部表情识别

现有方法识别精度受到大量与表情识别无关特征的影响,提出一种利用改进型GAN网络的面部表情识别。采用非对称局部二值模式提取特征;设计特征分离模型的改进Exchange-GAN网络,通过部分特征交换和约束实现表情相关特征和表情无关特征的分离,经过GAN分析实现面部表情识别;改进判别器与特征提取器间的对抗训练和内容训练,提高特征提取能力和面部表情识别的准确率。在3种数据集上对所提方法进行实验论证,其结果表明,该方法能够实现快速收敛,以FER2013数据集为例,其识别准确率较其它对比方法,分别提高了5.85%、4.13%和3.68%,具有较高的鲁棒性。

融合特征编码的面部表情编辑技术

为解决当前连续面部表情生成模型易在表情密集区域产生伪影、表情控制能力较弱等问题,该文对GANimation模型进行了研究改进,提高对表情肌肉运动单元AU控制的准确度。在生成器的编码和解码特征层之间引入多尺度特征融合(MFF)模块,以长跳跃连接的方式将得到的融合特征用于图像解码。在生成器的解码部分中加入一层逆卷积,便于MFF模块添加,更加高效合理。在自制的数据集上与原网络进行对比实验,表情合成的准确度和生成的图像质量分别提高了1.28和2.52,验证了该算法在生成图像没有模糊和伪影存在的情况下,面部表情编辑能力得到加强。

基于局部差分三值模式的人脸识别

0引言由于在人机交互,安全,执法,金融卡识别,自动视频监控,娱乐等的广泛应用,人脸识别已经成为了模式识别和计算机视觉中一个非常活跃的研究领域。对于人类而言,人脸识别是一项在日常生活中可以轻松完成的任务。人的大脑可以迅速感知一个人的面部,并在高度不可预测的或不确定的情况下用自己的知识来识别它们。而要让一台机器能够像人类一样执行相同的工作依然是一个巨大的挑战。

模式识别

Y2000-62367-624 0101412根据2维单目图象估计手势=Hand posture estimationfrom 2D monocular image[会,英]/Guan,H.Y.&Chua.C S.//Proceedings of the Second InternationalConference on 3-D Digital Imaging and Modeling(3DIM’99).—624～629(PC)Y2000-62442-2810 0101413系统识别的保计焦点:预滤波、噪声模型和预测=Esti-mation focus in system identification:prefiltering,noisemodels.and prediction[会,英]/Ljung.L.//1999