五、检索结果
国内检索文献:
1. 基于局部二值模式和稀疏表示的新生儿疼痛表情识别
【作者】 孙长江;
【导师】 卢官明;
【作者基本信息】 南京邮电大学, 信号与信息处理, 2013, 硕士
【摘要】 新生儿不能自述疼痛的感受,现阶段对新生儿的疼痛评估大部分都是由熟悉各项评估技术指标和受过专门训练的医护人员来完成的,需要耗费大量的人力和物力,不能及时客观的对新生儿疼痛做出响应,因此建立一个新生儿疼痛表情自动识别系统有十分重要的意义。本文在局部二值模式算法和稀疏表示理论的基础上对新生儿疼痛表情识别进行了研究,本文的研究工作主要有:(1)本文提出了基于均匀局部二值模式(uniform LBP)和基于稀疏表示的分类(SRC)相结合的方法。研究了LBP特征提取方法在新生儿疼痛表情识别上应用及特征提取时对表情图像的方块大小对识别性能的影响。首先对新生儿疼痛表情图像进行分块,分别分为3×3块,4×4块,5×3块,6×5块,然后采用均匀局部二值模式方法分别对4种不同分块方式下的新生儿疼痛表情图像进行特征提取。(2)研究了特征降维的维数对实验结果的影响。在实验中,为了进一步降低运算量采用了PCA方法进行表情特征进行降维,对不同维数下的识别率进行了研究。(3)研究了基于稀疏表示的分类方法(SRC)在新生儿疼痛表情识别上的应用,并研究了梯度投影法(GPSR)和截断牛顿内点法(TNIPM)这两种不同稀疏解的求解方法在疼痛表情识别上的性能。实验结果表明,本文算法能有效、正确地识别新生儿疼痛表情,识别率达87%。
【关键词】 局部二值模式; 压缩感知; 稀疏表示; 梯度投影法; 截断牛顿内点法;
2. 人脸表情的LBP特征分析
【作者】 刘伟锋; 李树娟; 王延江;
【Author】 LIU Weifeng,LI Shujuan,WANG Yanjiang College of Information and Control Engineering,China University of Petroleum(East China),Dongying,Shandong 257061,China
【机构】 中国石油大学(华东)信息与控制工程学院;
【摘要】 为了有效提取面部表情特征,提出了一种新的基于LBP(局部二值模式)特征的人脸表情识别特征提取方法。首先用均值方差法对表情图像进行灰度规一化,通过对图像进行积分投影,定位出眉毛、眼睛、鼻和嘴巴这些关键特征点,进而划分出各特征部件所在子区域,然后对子区域进行分块,提取各个子区域的分块LBP直方图特征。为了验证所提出的方法的合理性,最后在JAFFE表情库上进行了实验,结果表明提出的方法能够有效地描述表情的特征。
【关键词】 表情识别; 局部特征提取; 局部二值模式;
3. 基于改进LBP的人脸表情识别
【作者】 姜锐; 许建龙; 张爱朋;
【Author】 JIANG Rui,XU Jiang-long,ZHANG Ai-peng(The School of Information Science and Technology,Zhejiang Sci-Tech University, Hangzhou 310018,China)
【机构】 浙江理工大学信息学院;
【摘要】 局部二元模式即LBP(local binary patterns),是一种有效的纹理描述算子,能够很好地提取人脸表情特征信息。针对原始LBP算子仅考虑中心像素点与邻域像素点的灰度差异的问题,对其进行了改进,提出了多重中心化二值模式MLBP(multiple local binary patterns),并将改进后的MLBP算子进行人脸表情识别,通过改进前后在JAFFE人脸库的实验比较,该方法在识别率上取得了较好的效果。
【关键词】 面部表情识别; 局部二值模式; 特征提取; 支持向量机;
4. 基于稀疏学习的人脸表情识别
【作者】 宋彩风; 刘伟锋; 王延江;
【Author】 Song Caifeng,Liu Weifeng,Wang Yanjiang(College of Information and Control Engineering,China University of Petroleum,Qingdao,Shandong 266580,China)
【机构】 中国石油大学信息与控制工程学院;
【摘要】 基于稀疏学习理论对人脸表情分析中灰度、局部二值模式、Gabor等不同面部特征的稀疏表达问题进行了研究。首先,对稀疏表达、K-SVD以及D-KSVD等稀疏学习算法进行了分析;接着,在JAFFE人脸表情数据库上对不同算法进行了表情识别实验。实验结果表明,稀疏学习方法优于传统表情识别方法,能够很好地应用于人脸表情分析。
【关键词】 人脸表情识别; 稀疏学习; 稀疏表达; 字典学习;
5. 笑脸表情分类识别的研究
【作者】 陈俊;
【导师】 金连文;
【作者基本信息】 华南理工大学, 通信与信息系统, 2011, 博士
【摘要】 在人脸识别(Face Recognition,FR)研究领域,人脸特征提取作为一种重要的生物技术,成为实现智能人机交互的前提和关键技术之一。人脸表情特征提取和分类作为一个十分活跃的研究方向,具有很好的应用前景。随着人脸识别技术的进步,人脸表情识别技术取得了进步,但仍有很多关键性的问题需要进一步研究,比如光照、姿态、表情变化等。因此,从构建应用系统的角度看来,对人脸表情分类的研究仍处于起步阶段,相应的理论和方法仍有待完善。从情感理解的角度来看,笑脸表情有着明显的特殊性,比较直接地反映了对象的心理状态,同时笑脸表情分类在电子类消费品当中目前已经成为了独立的一个应用领域。本文以笑脸表情分类方法为主题,研究了用于笑脸表情分类和识别的关键算法。典型的表情系统应该包括人脸检测、人脸特征提取、特征选择以及表情分类。由于特征提取对识别结果起着关键作用,本文将重点放在特征提取关键算法的研究上。作为一种小波变换方法,Gabor特征提取方法在人脸表情识别中得到成功应用。但Gabor特征的缺点是计算复杂度较高,同时Gabor特征用于分类识别的性能仍有提升的空间。我们将近年来在图像分类中应用广泛的PHOG(Pyramid Histogram of Oriented Gradients,PHOG)特征、生物启发特征(Biologically Inspired Model,BIM)特征以及局部二值模式(Locally Binary Patterns,LBP)特征引入笑脸表情识别中。本文还针对笑脸表情分类,融合、降维等问题进行了深入研究,研究内容与主要贡献如下:1、本文对比了AdaBoost和支持向量机(Support Vector Machine,SVM)分类器进行人脸表情识别的性能,研究表明,AdaBoost的识别速度比SVM快,而准确度略低;SVM光照鲁棒性则比AdaBoost强,在光照变化较大的环境下,宜采用SVM;对于同时需要兼顾准确度和速度的场合,宜采用AdaBoost进行特征选择,再用SVM进行分类识别。实验结果表明,上述办法是有效的。2、本文分析了基于Gabor小波变换的笑脸表情特征提取方法。对于传统降维方法而言,Gabor特征维数过高。本文提出了对嘴部表情区域进行金字塔分割,在此基础上进行金字塔梯度方向直方图(Pyramid Histogram of Oriented Gradients,PHOG)特征提取。我们假设HOG频谱分布与表情变化剧烈程度呈现正相关,峰值附近像素渲染较大的表情变化,因而对表情分类识别的贡献也较大。根据金字塔分割各区域所提取的梯度方向直方图(Histograms of Oriented Gradients,HOG),在提取Gabor特征的时候,相应地采用间隔采样技术。最终提取到更加有利于笑脸分类的Gabor特征。3、本文分析了基于生物启发模型(Biologically Inspired Model,BIM)的表情特征提取方法,同时将PHOG特征与BIM特征进行了对比研究。对这两种特征融合后在GENKI数据库上进行笑脸分类的测试和评价,结果表明特征融合能显著提高笑脸分类识别性能。本文研究了BIM特征应用于笑脸分类的实施步骤,结果显示与应用在人脸识别上的已有成果相比具有类似的性能。结合对流形学习理论的研究,本文运用了一种线性流形学习方法,即局部保持投影(Local Preserving Projection,LPP)对BIM特征进行降维,保持了该特征的分类能力,同时提高了识别效率。较好地解决了表情特征提取与降维的问题。4、提出了一个现实世界环境中的笑脸分类系统。三种类型的基本特征(即Gabor,PLBP和PHOG)分别提取出来并融合以后,馈入组合分类器(即AdaBoost+SVM)进一步分类识别。这种方法是在GENKI数据库上进行测试的,取得了高达86.197%的识别率。然而,以往文献研究显示基本特征加单一分类器的方法并没有取得十分理想的分类结果,部分原因在于这三种特征面临着维数过高的问题。与基本特征加上组合分类器方法的比较研究表明特征融合对性能的改进是显著的。通过对分类器识别性能的对比研究,尤其是针对以上两种主要表情特征的对比研究,我们获得了笑脸表情图像分类识别的有效的技术路线和实验方法,在包括GENKI数据的在内的典型表情数据库中的实验结果表明,本文两种基本特征提取方法(即PHOG和BIM)在笑脸表情分类中具有良好的性能。得出的结论是:笑脸表情特征提取的性能主要受到数据采集的光照条件、人脸姿态等各种因素的影响,而为了获得较为鲁棒的系统,有必要将第三种类型的基本特征(即PLBP)提取出来并与上述两种基本方法进行特征级别融合,用于分类识别,才能获得较好的分类识别结果。
国外检索文献:
6.
【Title】Understanding Discrete Facial Expressions in Video Using an Emotion Avatar Image
【Author】Songfan Yang ; Center for Res. in Intell. Syst., Univ. of California, Riverside, CA, USA ; Bhanu, B.
【Publish】Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on (Volume:42 , Issue: 4 )
Biometrics Compendium, IEEE
【Abstract】Existing video-based facial expression recognition techniques analyze the geometry-based and appearance-based information in every frame as well as explore the temporal relation among frames. On the contrary, we present a new image-based representation and an associated reference image called the emotion avatar image (EAI), and the avatar reference, respectively. This representation leverages the out-of-plane head rotation. It is not only robust to outliers but also provides a method to aggregate dynamic information from expressions with various lengths. The approach to facial expression analysis consists of the following steps: 1) face detection; 2) face registration of video frames with the avatar reference to form the EAI representation; 3) computation of features from EAIs using both local binary patterns and local phase quantization; and 4) the classification of the feature as one of the emotion type by using a linear support vector machine classifier. Our system is tested on the Facial Expression Recognition and Analysis Challenge (FERA2011) data, i.e., the Geneva Multimodal Emotion Portrayal-Facial Expression Recognition and Analysis Challenge (GEMEP-FERA) data set. The experimental results demonstrate that the information captured in an EAI for a facial expression is a very strong cue for emotion inference. Moreover, our method suppresses the person-specific information for emotion and performs well on unseen data.
【Keywords】avatars;emotion recognition;face recognition;image classification;support vector machines;video signal processing
7.
【Title】Multi-view facial expression recognition using local appearance features
【Author】Hesse, N. ; Inst. for Anthropomatics, Karlsruhe Inst. of Technol., Karlsruhe, Germany ; Gehrig, T. ; Hua Gao ; Ekenel, H.K.
【Publish】Pattern Recognition (ICPR), 2012 21st International Conference on
【Abstract】In this paper, we present a multi-view facial expression classification system. The system utilizes local features extracted around automatically located facial landmarks using pose-dependent active appearance models. A pose-dependent ensemble of support vector machine classifiers assigns the given sample to one of the six basic expression classes. Extensive experiments have been conducted on the BU-3DFE database, comparing normalized landmark coordinates, discrete cosine transform, local binary patterns, and scale invariant feature transform based features, as well as combinations of shape and appearance features for classification. We evaluate the influence of AAM fitting errors, F-score feature selection, and expression intensity levels on classification accuracy. Features selected from a combination of normalized landmark coordinates and DCT-based features lead to a correct classification rate of 74.1%, outperforming automatic state-of-the-art multi-view expression recognition systems.
【Keywords】discrete cosine transforms;face recognition;feature extraction;image classification;pose estimation;support vector machines;visual databases
8.
【Title】Facial expression recognition based on a weighted Local Binary Pattern
【Author】Shoyaib, M. Dept. of Comput. Eng., Kyung Hee Univ., Yongin, South Korea
Abdullah-Al-Wadud, M. ; Jo Moo Youl ; Alam, Muhammad Mahbub ; Oksam Chae
【Publish】Computer and Information Technology (ICCIT), 2010 13th International Conference on
【Abstract】We introduce a facial expression recognition method, which incorporates a weight to the Local Binary Pattern (LBP), and generates solid expression features. Furthermore, we use Adaboost to select a small set of prominent features, which is used by the Support Vector Machine (SVM) to classify facial expressions efficiently. Experimental results demonstrate that our method outperforms the state-of-the-art methods in terms of both accuracy and complexities.
【Keywords】emotion recognition;face recognition;learning (artificial intelligence);
support vector machines
|