人脸识别——表情识别技术推荐

比人脸识别更进一步 表情识别多领域应用前景广
在物联网技术发展的今天,面部识别已经不是什么太大的技术性问题,而对于人类表情识别来说,仍旧是一片空白。我们希望有一天机器可以读懂我们的语言、知悉我们的表情,更好的为我们服务,或许这才是真正的物联网时代。
表情识别应用:表情检测防疲劳驾驶
百度移动部门技术工程师整合百度“表情识别 LBS 百度云”等基础技术,研发出一款提示“疲劳驾驶”的解决方案,可以对接在汽车开放平台上使用,不过目前尚在概念阶段。
通过用摄像头实时捕捉驾驶者的面部表情特征,解析表情背后的人物状态。一旦发现司机有可能疲劳驾驶(闭眼超时、眉头下垂、睁眼被动等),后台技术会做出判断,触发启动一系列干预手段:语音播报提示,播放嘹亮音乐为驾驶者提神;发送短信给驾驶者事先设定的紧急联系人,请求帮助唤醒或解救;LBS技术获取车主地理位置,以“云推送”方式通知周边车辆注意避让。
人脸表情识别技术推荐
专利号:CN201710168734.4
摘要:本发明公开了一种基于特征融合的人脸表情识别方法。首先选择不同类型的人脸表情图像作为训练样本,进行预处理;分别提取人脸表情图像的HOG特征和Gabor小波特征;将同类人脸表情图像的HOG特征和Gabor小波特征进行特征融合;将每类人脸表情图像融合后得到的新特征作为稀疏表示分类的字典,进行稀疏表示分类;将未知的人脸表情图像作为测试样本进行分类。本发明克服了现有表情识别方法图像提取特征维数高、特征包含冗余信息多的难题。
查看详情专利号:CN201610173246.8
摘要:本发明适用计算机技术领域,提供了一种人脸表情识别方法及系统,所述方法包括:对人脸表情图像提取n个人脸关键点Pi,并以所述人脸关键点Pi为中心,获取其四周设定区域内的局部图像;对所述局部图像依次进行滤波、二值化处理,得到所述局部图像中所有像素点的特征值;使用频率直方图统计所述局部图像中的所有像素点的特征值,得到对应的人脸关键点Pi的特征向量Vi,并将n个人脸关键点Pi的特征向量Vi组合成联合特征向量;将所述联合特征向量通过分类器算法进行分类,识别人脸表情,提高了识别的准确率,同时降低了关照变化、及人脸姿态变化对识别结果的影响。
查看详情专利号:CN201710257046.5
摘要:本发明公开了一种基于文件传输的人脸表情识别方法及系统,包括获取用户上传的人脸表情图像;系统对所述人脸表情图像进行预处理;通过recog指令及已经训练完成的深度神经网络和训练得到的模型对所述预处理后的人脸表情图像进行人脸表情识别与特征匹配;识别结果以文本文件的形式输出,通过文件传输,反馈给用户。本发明应用了文件传输模块,用户使用方便;采用了深度卷积神经网络对人脸表情图像特征提取并分类,可以快速准确的识别出人脸表情,操作简单,稳定可靠。
查看详情专利号:CN201710573387.3
摘要:本发明基于深度学习带有旋转信息的人脸表情识别方法,该方法的步骤是1)确定人脸表情识别的深度卷积神经网络模型与参数;2)将步骤1)中的深度卷积神经网络模型中的第一个卷积层,即数据输入层后面的Conv1层,改为带有角度信息的卷积层,并将带有角度信息的卷积层命名为NConv层;3)通过图像旋转对FER2013人脸表情数据库进行数据扩充,将扩充后的FER2013人脸表情数据库命名为FER2013II数据库,并对FER2013II数据库进行标签处理;4)使用步骤3)得到的FER2013II数据库对步骤2)处理后的深度卷积神经网络模型进行训练和测试,得到修正后的深度卷积神经网络模型;5)将需要进行识别的人脸表情图片经过预处理后,输入到修正后的深度卷积神经网络模型中,输出人脸表情识别结果。
查看详情专利号:CN201510612526.X
摘要:本发明基于视频序列的人脸表情识别方法,涉及用于识别图形的方法,是一种利用HCBP-TOP算法提取人脸表情序列的动态时空纹理特征的人脸表情识别方法,步骤是:人脸表情序列预处理;采用空间金字塔分割方式对人脸表情序列图像分层分块处理;利用HCBP-TOP算法提取人脸表情序列图像的动态时空纹理特征;采用SVM分类器进行人脸表情的训练和预测。本发明方法克服了现有技术没有考虑中心像素,忽视局部细节信息,人脸表情识别的效率和识别精度均较低,不具有普遍的适用性的缺陷。
查看详情人脸表情识别——特征提取
人脸表情识别技术的发展和应用可以更好地实现智能技术与人们的交流,通过机器识别给定的静态图像或动态视频序列中分离出特定的表情状态,从而确定被识别对象的心理情绪,实现计算机对人脸表情的理解与识别,可从根本上改变人与计算机的关系,使计算机可以更好地为人类服务,从而达到更好的人机交互。而且表情识别技术是人们探索和理解智能的有效途径。
-
1.采用几何特征进行特征提取
采用几何特征进行特征提取,主要是对人脸表情的显著特征,例如眼睛、眉毛、嘴巴等的位置变化进行定位、测量,并确定其大小、距离、形状及相互比例等特征,从而进行表情识别。这个方法可与减少输入数据量,但会丢失一些重要的识别和分类信息,使精确性不高 。
-
2.基于整体统计特征
基于整体统计特征的方法强调尽可能保留原始人脸表情图像中的信息,并允许分类器发现表情图像中相关特征,通过对整个人脸表情图像进行变换获取特征进行识别。可以通过PCA和ICA。这种提取方法会受到外来因素的干扰,例如光照、角度等,导致识别率下降。
-
3.基于频率域特征提取
基于频率域特征提取,这是将图像从空间域转换到频率域提取其特征,主要通过小波变换,能够通过定义不同的核频率、带宽和方向对图像进行多分辨率分析,可以有效提取不同方向的细节程度的图像特征,不易直接用在匹配和识别,要ANN 或SVM 分类器结合使用,提高表情识别的准确率。。
-
4.基于运动特征的提取
基于运动特征的提取,这是提取动态图像序列的运动特征,是今后研究的重点,主要利用到光流法。光流是指亮度模式引起的表观运动,是景物中可见点的三维速度矢量在成像平面上的投影,表示景物表面上的点在图像中位置的瞬时变化,光流场还携带有关运动和结构的丰富信息。其模型是处理运动图像的有效方法,将运动图像函数作为基本函数,根据图像强度守恒原理建立光流约束方程,通过求解约束方程,计算运动参数。这个方法反映了表情变化的实质,受光照不均性影响较小,但有比较大的计算量。