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CMAC神经网络的人脸表情识别

针对BP等全局性神经网络收敛速度慢和局部极小的存在,用于人脸表情分类时,不仅实时性难以达到要求,而且识别精度也存在不确定性。为提高速度,加快收敛,提出一种基于局部性CMAC(Cerebellar Model Articulation Controller)神经网络的人脸表情识别方法。先对样本图像进行预处理,提取感兴趣的脸部区域,通过K-L(Karhunen-Loeve)变换对处理后的图像提取眼、嘴和鼻等重要特征点的位置和局部几何形状作为识别特征得到感兴趣的表情区域。最后将待测表情与标准表情的欧氏距离作为CMAC神经网络的输入,表情类型作为网络输出,对人脸7种典型表情进行识别。实验结果表明,基于CMAC的方法能有效地识别人脸表情,而且算法简单,学习速度快,可用于需要实时分析人脸表情的场合。

基于LBP特征和熵正则化Wasserstein距离的人脸表情识别

针对K最近邻分类中相似度量的量化问题,结合最优传输理论中Wasserstein距离数学特性,提出一种基于LBP特征和熵正则化Wasserstein距离的K近邻分类方法。首先对人脸表情图像进行预处理,然后使用LBP算子对图像进行特征提取获得LBP特征直方图,最后使用熵正则化的Wasserstein距离作为特征直方图之间的相似性度量的K最近邻分类方法进行人脸表情识别分类。实验结果表明该方法相较于单纯基于LBP的方法识别率有较大提高。