利用显著面部区域特征的自动面部表情识别
本文提出了一种基于外貌和几何特征结合支持向量机分类的面部表情识别方法,其中包括从特定区域提取外观和几何特征,使用递增搜索法确定重要的局部区域以降低特征维度并提高识别精度,并通过比较全局和局部的特征组合识别面部表情。该方法在公开的 Cohn-Kanade (CK+) 面部表情数据集上表现良好。
Apr, 2016
本文提出了一种基于面部特定区域遮挡的自动化修补方法,将远程真实世界中的表情分类的问题转换为图像分类问题,并使用 Isomap 聚类技术来检测在修补后的图像中存在的面部表情模式。该方法可用于大数据集中与基于特征的表情分类方法相结合以提高表情分类准确度。
Nov, 2015
本研究提出了一种基于静态图片实现的轻量级算法,用于实时进行人脸表情识别、情绪分类和特征提取。 Multi-Layer Perceptron (MLP) 神经网络是基于前面的算法进行训练的,提取几何和纹理特征,生成特征向量,用于训练三层 MLP,其测试准确度达到 96%。
Jan, 2022
本研究提出了一种全自动面部表情识别的新方法,该方法利用弹性束图匹配位移估计跟踪连续视频帧中的面部特征点,提取各个特征点的特征向量并进行归一化,通过多类 AdaBoost 和支持向量机方法识别面部表情,并在 Cohn-Kanade(CK +)面部表情数据库上实现了 95.17%和 97.35%的识别准确率。
Apr, 2016
该研究提出了一种基于面部标志的情感识别分类损失函数修改方法,将一种新方法 EmotionalDAN 应用于情感识别上,并在两个挑战性基准数据集上实现了比最先进的情感分类方法高达 5% 的准确度。
Apr, 2018
本篇综述论文介绍了基于大量标记图像的面部特征点检测,总结了现有方法并将其分类为四大类:基于约束局部模型,基于主动外貌模型,基于回归和其他方法。虽然已取得了重要进展,但仍有待进一步探索面部特征点检测的未来方向。
Oct, 2014
该文介绍了针对面部表情识别问题,提出了一种基于注意力卷积网络的深度学习方法,并采用可视化技术确定了识别不同情绪对应的重要面部区域,相比先前的模型在多个数据集上都取得了明显的改进。
Feb, 2019
动物情感计算领域的重要挑战之一是缺乏高质量的数据集,本文提出了一个以猫脸图像为基础的新数据集,并通过使用面部标志检测卷积神经网络模型,在猫脸上取得了优异性能,同时该模型也具有推广到人脸标志检测的潜力。
Oct, 2023
本文主要研究面部表示学习及其在面部识别中的应用,通过自我监督预训练学习未标记面部图像以提高面部识别性能,并采用基于地标的面部自我监督学习(LAFS)方法,通过提取面部地标实现关键表示学习,同时结合地标特定的数据增强以增加地标信息多样性,进而调节学习过程中地标位置的差异,并在多个面部识别基准测试中取得显著的改进效果,尤其是在更具挑战性的少样本情景中。
Mar, 2024
针对帕金森病患者的面部表情质量问题,本研究提出了一种新的基于地标引导的方法 QAFE-Net,通过结合时序地标热图和 RGB 数据来捕捉面部微小肌肉动作,并将其编码和映射到严重程度评分中,实验结果表明该方法在质量评估方面超过了同类作品,也在疼痛估计方面达到了较低的平均绝对误差。
Dec, 2023