CN111523367A - 基于人脸属性分析的智能化人脸表情识别方法与*** - Google Patents
基于人脸属性分析的智能化人脸表情识别方法与*** Download PDFInfo
- Publication number
- CN111523367A CN111523367A CN202010074445.XA CN202010074445A CN111523367A CN 111523367 A CN111523367 A CN 111523367A CN 202010074445 A CN202010074445 A CN 202010074445A CN 111523367 A CN111523367 A CN 111523367A
- Authority
- CN
- China
- Prior art keywords
- face
- facial
- attribute
- facial expression
- random forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008921 facial expression Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000001815 facial effect Effects 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims description 10
- 238000007637 random forest analysis Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003066 decision tree Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 25
- 230000014509 gene expression Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000009795 derivation Methods 0.000 description 4
- 241000282412 Homo Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明属于图像处理与模式识别领域,具体涉及人脸表情识别技术方法及***。
背景技术
人脸表情识别与人脸身份识别一样,是一个热门的研究领域,具有广泛应用场景。如可 应用于安全驾驶、卫生保健、视频会议、虚拟现实和认知科学等。早在二十世纪,Ekman和 Friesen基于跨文化跨区域研究,设计了6种基本情感(愤怒、厌恶、恐惧、高兴、悲伤和惊讶),他们指出不同文化背景的人类具有同样的基本情感表达方式。然而,最近神经科学和 心理学高级研究表明,人类的6种基本情感表达是和特定文化背景相关的,不具有普适性。 与此同时,本发明人发现不同性别和年龄的人表现出不同的表情表现模式,如,小孩和成年 人就有着不同的悲伤表情。即人脸的性别和年龄属性对人脸表情识别有着重要影响。然而, 目前大多数人脸表情识别方法并没有考虑到人脸性别和年龄等属性变化的影响。
发明将充分利用人脸的性别和年龄属性进行鲁棒性人脸表情识别。
发明内容
本发明所述解决的技术问题是:利用深度多示例特征提取和属性条件随机森林方法进行鲁 棒性人脸表情分类识别的方法及***。
本发明的技术方案是:
基于人脸属性分析的智能化人脸表情识别方法,其特征在于包括如下四大部分,
S1基于深度多示例学习的人脸特征提取:
首先根据人脸的“三眼五庭”结构特性和人脸表情显著性分析提取7个人脸图像块作为 人脸表情示例,然后使用深度卷积神经网络对每个示例进行特征提取,最后采用深度学习的 方法对得到的7个人脸表情示例特征进行融合学习和降维处理得到最终的鲁棒性人脸特征向 量;
S2随机森林人脸属性识别:
将人脸属性根据性别和年龄情况分为如下8类:
使用训练样本训练生成一个基于人脸性别和年龄属性分类的随机森林TA,将S1得到的 人脸特征向量输入TA进行人脸属性识别,得出式中的人脸属性类别信息;
S3人脸属性条件随机森林训练和学习:
所述条件随机森林{TS(Ωn)}中的每棵决策树Tt S(Ωn)采用相同的方法独立训练;
为了更好的学习和生长条件随机森林中的***节点,所述智能化人脸表情识别方法采用 NCSF***模型,结合决策树的度量函数信息增益(IG)和深度学习模型中的损失函数进行随 机森林的节点生长;
S4基于属性条件随机森林的人脸表情识别:
首先,根据S2得到的人脸属性类别结果从条件随机森林TS(Ωn)中随机选取kn棵决策树动 态构建人脸属性条件随机森林TE;然后,将S1得到的人脸特征向量y输入人脸属性条件随机 森林,由TE中决策树投票得出测试样本的表情类别概率p(e|y);最后,由最大概率得到人 脸表情类别。
所述的人脸表情识别方法,其特征在于,其人脸表情示例提取方法为:
根据人脸表情表现方式和特点,利用人脸关键点定位算法和图像分割算法提取7个人脸图像 块作为人脸表情示例,具体包括整个人脸图像、左眼区域块、右眼区域块、眼部区域块、嘴 部区域块一、嘴部区域块二和嘴部区域块三。
进一步地,深度多示例特征提取方法为:
将得到的人脸表情示例送入GoogleNet网络模型进行人脸表情示例特征提取:
进一步地,深度多示例特征融合方法为:
首先,将提取的7个多示例特征进行串连:
y=[y1 y2 y3 y4 y5 y6 y7]
然后,在深度学习网络模型中增加一个全连接层对得到的多示例串连特征y进行降维处 理,得到最终的鲁棒性人脸特征向量。
进一步地,上述NCSF***模型为:
结合决策树的度量函数信息增益(IG)和深度学习模型中的损失函数进行深度网络增强 树的节点生长。基于CNN隐藏层的联接函数fn强化人脸样本的条件特征表示y,用增强后特 征表示作为网络增强森林的节点特征选择:
dn(y,K|Ωa)=σ(fn(y,K|Ωa))
其中,σ(x)=(1+e-x)-1是sigmoid函数,Ωa为不同属性下的表情子森林,dn为增强森林中的 一个***节点,K是CNN网络模型参数,通过随机梯度下降法(SGD)更新。
进一步地,上述属性条件随机森林人脸表情识别步骤为:
首先,利用人脸属性随机森林TA对测试人脸图像进行属性估计;然后,根据属性估计结果, 随机的从条件随机森林中选择相应数量的决策树动态构建人脸表情识别随机森林 TE;最后,根据构建的人脸表情识别随机森林TE进行人脸表情分类识别。
进一步地,上述人脸表情识别方法为:
在人脸属性a∈Ωn已知的条件下,人脸y属于表情e的概率p(e|Ωn,y)由随机森林TE中 所有树投票得到:
其中,M为树的数量,lm为第m棵树上样本特征y达到的叶子节点;人脸属性a未知的条件下,人脸样本y属于表情e的概率p(e|y)可以表示为:
p(e|y)。
基于人脸属性分析的智能化人脸表情识别***,包括深度多示例人脸特征提取模块、人 脸属性估计模块和属性约束人脸表情识别模块:
深度多示例人脸特征提取模块输入是人脸图像,输出是人脸特征向量;将所有输入图像 归一化到256*256大小,通过深度多示例学习后提取的人脸特征向量维数为512;
人脸属性估计模块输入是人脸特征向量,输出是人脸属性类别;所述智能化人脸表情识 别***采用随机森林分类方法进行人脸属性分类估计;
属性约束人脸表情识别模块输入是人脸特征向量和人脸属性类别,输出是人脸表情类别; 所述智能化人脸表情识别***采用属性条件随机森林方法进行人脸表情分类识别。
进一步地,上述人脸深度多示例特征提取为:根据人脸表情的表现方式将人脸分成7个示例, 7个示例为整个人脸图像、左眼区域块、右眼区域块、眼部区域块、嘴部区域块一、嘴部区域 块二和嘴部区域块三;针对每个示例采用GoogleNet或RestNet50进行特征提取,整合所述7个 示例特征得到最终的人脸特征向量。
进一步地,人脸属性定义为:根据人脸性别和年龄特征性分为8类,
本发明与现有技术相比:
1)具有很好的人脸遮挡、噪声和分辨率等变化鲁棒性,本发明通过深度多示例学习方法提取 人脸特征,解决人脸表情识别中的人脸遮挡、噪声和分辨率等变化问题。
2)解决了人脸性别和年龄等属性变化因素对人脸表情识别的影响,本发明提出属性约束随机 森林人脸表情识别方法解决了人脸表情识别中不同性别和年龄等因素干扰问题。
3)本发明方法与目前热门的深度学习方法相比,具有更好的实施性,只需要少量训练样本就 能达到很好的效果。
附图说明
图1是本发明的人脸表情识别技术架构图;
图2是本发明的人脸表情示例选择示意图;
图3是本发明的人脸属性约束下的人脸表情识别***流程图;
图中,1-整个人脸图像;2-左眼区域块;3-右眼区域块;4-眼部区域块;5-嘴部区域块 一;6-嘴部区域块二;7-嘴部区域块三。
具体实施方式
下面结合具体实施例对于本发明作进一步的说明:
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发 明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限 定本发明。
其中,人脸表情识别方法为:
(2)人脸表情识别。首先,利用人脸属性随机森林TA对测试人脸图像进行属性估计。 然后,根据属性估计结果,随机的从条件随机森林中选择相应数量的决策树动态 构建人脸表情识别随机森林TE。最后,根据构建的人脸表情识别随机森林TE进行人脸表情 分类识别。
具体地,本发明公开的基于人脸属性分析的智能化人脸表情识别方法,主要包括深度多 示例人脸特征提取、随机森林人脸属性识别、条件随机森训练和基于属性条件随机森林的人 脸表情识别四大部分:
S1深度多示例人脸特征提取
首先,根据人脸结构特性选取人脸表情示例;然后,将选取的人脸表情示例送入经过预 训练的GoogLeNet网络模型进行示例表示和多示例融合提取人脸特征。
(1)人脸表情示例选择
根据人脸的“三眼五庭”结构特性,提取7个人脸图像块作为人脸表情示例,如图2所 示,包括整个人脸图像、左眼区域块、右眼区域块、眼部区域块、嘴部区域块一、嘴部区域块二和嘴部区域块三,共7个示例。之所以选取以上7个人脸图像块作为表情示例的原因是由于人脸表情变化主要集中在眉毛、眼睛、嘴巴等关键区域。
(2)多示例特征提取与融合
将上步得到的人脸表情示例送入GoogleNet网络模型进行表示学习。GoogleNet通过LFW 和YTF人脸库进行预训练,使其具有高层语义信息表示能力。基于GoogleNet的人脸表情示 例特征提取可以表示为:
y=[y1 y2 y3 y4 y5 y6 y7].(2)
最后,在深度学习网络模型中增加一个全连接层对式(2)得到的多示例特征y进行降维 处理,以便得到最终的鲁棒性人脸特征向量。
S2随机森林人脸属性识别
本发明将人脸属性根据性别和年龄情况分为8类:
首先,使用整个训练集S去训练生成一个基于人脸性别和年龄属性分类的随机森林TA。 在训练生成属性随机森林TA模型时,采用如下不确定性测度:
其中,a表示人脸属性类别。不确定性测度引导各节点从二值测试候选库中选择最优的 二值测试,以保证能不断将当前节点***为不确定性降低的两个子节点。
然后,基于深度多示例学习提取的人脸特征y,采用随机森林TA进行人脸属性分类。人 脸属性以高斯模型的方式储于随机森林TA的每个叶子节点l上:
其中,lm为决策树对应的叶子节点,M为决策树的数量。
S3条件随机森林训练
训练集S根据人脸属性类别被分成N个子集,每一个子集被用于训练生成一组条件随机 森林用于人脸表情分类。条件随机森林{TS(Ωn)}中的每棵决策树Tt S(Ωn)采用相 同的方法独立训练。为构建每棵决策树,从相应的数据子集中随机选取图像构成训练数据 集;然后,从每张训练样本特征y中随机提取一组子特征{yi=(ei,Ii)},其中ei为人脸表情类 别,为提取的子特征集合;最后,提取的子特征集合被用于决策树节点的分 裂以便生成最终的决策树。
为了更好的学习和生长***节点,本发明采用NCSF***模型,结合决策树的度量函数信 息增益(IG)和深度学习模型中的损失函数进行深度网络增强树的节点生长。基于CNN隐藏 层的联接函数fn强化人脸样本的条件特征表示y,用增强后特征表示作为网络增强森林的节 点特征选择:
dn(y,K|Ωa)=σ(fn(y,K|Ωa)) (7)
其中,σ(x)=(1+e-x)-1是sigmoid函数,Ωa为不同属性下的表情子森林,dn为增强森林 中的一个***节点,K是CNN网络模型参数,通过随机梯度下降法(SGD)更新:
其中,η为学习率,e为表情类别,B为随机抽取的特征子集(即mini-batch),L(K,e;y) 为训练样本y的损失函数,定义如下:
其中,p(e|dn,K,y)为人脸表情概率。根据链式求导法对K求导:
其中,a为属性类别,第2项求导可由CNN网络参数优化得到;第1项求导根据生成树的 左、右子节点特征选择得到:
S4基于属性条件随机森林的人脸表情识别
首先,利用人脸属性随机森林TA对测试人脸图像进行属性估计。然后,根据属性估计结 果,随机的从条件随机森林中选择相应数量的决策树动态构建人脸表情识别随机 森林TE。最后,根据构建的人脸表情识别随机森林TE进行人脸表情分类识别。
在人脸属性a∈Ωn已知的条件下,人脸样本y属于表情e的概率p(e|Ωn,y)由随机森林 TE中所有树投票得到:
其中,M为树的数量,lm为第m棵树上样本特征y达到的叶子节点。在人脸属性a未知的条件下,人脸样本y属于表情e的概率p(e|y)可以表示为:
从上面式子可以看出,在进行人脸表情识别时:首先,根据属性估计的结果从条件随机 森林TS(Ωn)中随机选取kn棵决策树动态构建随机森林TE;然后,由TE中决策树投票得出测 试样本y的表情类别概率p(e|y)。
本发明公开的基于人脸属性分析的智能化人脸表情识别***,如图2所示,主要包括深 度多示例人脸特征提取、人脸属性估计和属性约束人脸表情识别三大模块:
深度多示例人脸特征提取:此模块输入是人脸图像,输出是人脸特征向量。本发明将所 有输入图像归一化到256*256大小,通过深度多示例学习后提取的人脸特征向量维数为512。 为了提高人脸特征提取的鲁棒性,本发明采用目前效果较好的多示例学习和RestNet50残差神 经网络模型进行人脸特征提取。
人脸属性估计:此模块输入是人脸特征向量,输出是人脸属性类别。其中,输入是512维 的人脸特征向量,输出为如公式3所示的8类中的一类。为了提高人脸属性估计的准确性,
本发明采用随机森林分类方法进行人脸属性分类估计。
属性约束人脸表情识别:此模块输入是人脸特征向量和人脸属性类别,输出是人脸表情 类别。其中,人脸特征向量为512维,人脸属性类别为1-8中的一种;人脸表情类别为1(高兴)、 2(悲伤)、3(惊讶)、4(愤怒)、5(厌恶)和6(害怕)中的一种。为了提高人脸表情识别的准确性,本发明采用属性条件随机森林方法进行人脸表情分类识别。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当 视为本发明所公开的内容。
Claims (10)
1.基于人脸属性分析的智能化人脸表情识别方法,其特征在于包括如下四大部分,
S1基于深度多示例学习的人脸特征提取:
首先根据人脸的“三眼五庭”结构特性和人脸表情显著性分析提取7个人脸图像块作为人脸表情示例,然后使用深度卷积神经网络对每个示例进行特征提取,最后采用深度学习的方法对得到的7个人脸表情示例特征进行融合学习和降维处理得到最终的鲁棒性人脸特征向量;
S2随机森林人脸属性识别:
将人脸属性根据性别和年龄情况分为如下8类:
使用训练样本训练生成一个基于人脸性别和年龄属性分类的随机森林TA,将S1得到的人脸特征向量输入TA进行人脸属性识别,得出式中的人脸属性类别信息;
S3人脸属性条件随机森林训练和学习:
所述条件随机森林{TS(Ωn)}中的每棵决策树Tt S(Ωn)采用相同的方法独立训练;
为了更好的学习和生长条件随机森林中的***节点,采用NCSF***模型,结合决策树的度量函数信息增益(IG)和深度学习模型中的损失函数进行随机森林的节点生长;
S4基于属性条件随机森林的人脸表情识别:
首先,根据S2得到的人脸属性类别结果从条件随机森林TS(Ωn)中随机选取kn棵决策树动态构建人脸属性条件随机森林TE;然后,将S1得到的人脸特征向量y输入人脸属性条件随机森林,由TE中决策树投票得出测试样本的表情类别概率p(e|y);最后,由最大概率得到人脸表情类别。
2.如权利要求1所述的人脸表情识别方法,其特征在于,其人脸表情示例提取方法为:
根据人脸表情表现方式和特点,利用人脸关键点定位算法和图像分割算法提取7个人脸图像块作为人脸表情示例,具体包括整个人脸图像、左眼区域块、右眼区域块、眼部区域块、嘴部区域块一、嘴部区域块二和嘴部区域块三,共7个示例。
4.如权利要求1所述的人脸表情识别方法,其特征在于,深度多示例特征融合方法为:
首先,将提取的7个多示例特征进行串连:
y=[y1 y2 y3 y4 y5 y6 y7]
然后,在深度学习网络模型中增加一个全连接层对得到的多示例串连特征y进行降维处理,得到最终的鲁棒性人脸特征向量。
5.如权利要求1所述的人脸表情识别方法,其特征在于,所述NCSF***模型为:
结合决策树的度量函数信息增益(IG)和深度学习模型中的损失函数进行深度网络增强树的节点生长。基于CNN隐藏层的联接函数fn强化人脸样本的条件特征表示y,用增强后特征表示作为网络增强森林的节点特征选择:
dn(y,K|Ωa)=σ(fn(y,K|Ωa))
其中,σ(x)=(1+e-x)-1是sigmoid函数,Ωa为不同属性下的表情子森林,dn为增强森林中的一个***节点,K是CNN网络模型
参数,通过随机梯度下降法(SGD)更新。
8.基于人脸属性分析的智能化人脸表情识别***,包括深度多示例人脸特征提取模块、人脸属性估计模块和属性约束人脸表情识别模块:
所述深度多示例人脸特征提取模块输入是人脸图像,输出是人脸特征向量;将所有输入图像归一化到256*256大小,通过深度多示例学习后提取的人脸特征向量维数为512;
所述人脸属性估计模块输入是人脸特征向量,输出是人脸属性类别;采用随机森林分类方法进行人脸属性分类估计;
所述属性约束人脸表情识别模块输入是人脸特征向量和人脸属性类别,输出是人脸表情类别;采用属性条件随机森林方法进行人脸表情分类识别。
9.如权利要求8述的基于人脸属性分析的智能化人脸表情识别***,其特征在于,人脸深度多示例特征提取为:根据人脸表情的表现方式将人脸分成7个示例,7个示例为整个人脸图像、左眼区域块、右眼区域块、眼部区域块、嘴部区域块一、嘴部区域块二和嘴部区域块三;针对每个示例采用GoogleNet或RestNet50进行特征提取,整合所述7个示例特征得到最终的人脸特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074445.XA CN111523367B (zh) | 2020-01-22 | 2020-01-22 | 基于人脸属性分析的智能化人脸表情识别方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074445.XA CN111523367B (zh) | 2020-01-22 | 2020-01-22 | 基于人脸属性分析的智能化人脸表情识别方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523367A true CN111523367A (zh) | 2020-08-11 |
CN111523367B CN111523367B (zh) | 2022-07-22 |
Family
ID=71900347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010074445.XA Active CN111523367B (zh) | 2020-01-22 | 2020-01-22 | 基于人脸属性分析的智能化人脸表情识别方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523367B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381047A (zh) * | 2020-11-30 | 2021-02-19 | 华南理工大学 | 一种人脸表情图像的增强识别方法 |
CN112733717A (zh) * | 2021-01-11 | 2021-04-30 | 广州市金其利信息科技有限公司 | 一种基于人脸属性优化人脸识别的方法 |
CN112949522A (zh) * | 2021-03-11 | 2021-06-11 | 重庆邮电大学 | 一种基于支持向量机的人像数据的分类方法 |
CN114429654A (zh) * | 2021-11-26 | 2022-05-03 | 南京师范大学 | 一种基于多元融合决策的人脸表情识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376333A (zh) * | 2014-09-25 | 2015-02-25 | 电子科技大学 | 基于随机森林的人脸表情识别方法 |
CN106650637A (zh) * | 2016-12-02 | 2017-05-10 | 华中师范大学 | 一种基于条件随机森林的笑脸检测器及方法 |
KR101784418B1 (ko) * | 2016-04-04 | 2017-10-11 | 연세대학교 산학협력단 | 적응형 랜덤 포레스트와 피드백 모듈을 이용하여 얼굴 표정을 인식하기 위한 장치 및 그 방법 |
CN107330412A (zh) * | 2017-07-06 | 2017-11-07 | 湖北科技学院 | 一种基于深度稀疏表示的人脸年龄估计方法 |
CN108596011A (zh) * | 2017-12-29 | 2018-09-28 | 中国电子科技集团公司信息科学研究院 | 一种基于组合深度网络的人脸属性识别方法和装置 |
US20190026586A1 (en) * | 2017-07-19 | 2019-01-24 | Vispek Inc. | Portable substance analysis based on computer vision, spectroscopy, and artificial intelligence |
-
2020
- 2020-01-22 CN CN202010074445.XA patent/CN111523367B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376333A (zh) * | 2014-09-25 | 2015-02-25 | 电子科技大学 | 基于随机森林的人脸表情识别方法 |
KR101784418B1 (ko) * | 2016-04-04 | 2017-10-11 | 연세대학교 산학협력단 | 적응형 랜덤 포레스트와 피드백 모듈을 이용하여 얼굴 표정을 인식하기 위한 장치 및 그 방법 |
CN106650637A (zh) * | 2016-12-02 | 2017-05-10 | 华中师范大学 | 一种基于条件随机森林的笑脸检测器及方法 |
CN107330412A (zh) * | 2017-07-06 | 2017-11-07 | 湖北科技学院 | 一种基于深度稀疏表示的人脸年龄估计方法 |
US20190026586A1 (en) * | 2017-07-19 | 2019-01-24 | Vispek Inc. | Portable substance analysis based on computer vision, spectroscopy, and artificial intelligence |
CN108596011A (zh) * | 2017-12-29 | 2018-09-28 | 中国电子科技集团公司信息科学研究院 | 一种基于组合深度网络的人脸属性识别方法和装置 |
Non-Patent Citations (3)
Title |
---|
YINGYING WANG等: "Facial Expression Recognition Based on Random Forest and Convolutional Neural Network", 《INFORMATION》 * |
刘玉坤 等: "分而冶之的人脸图像年龄估计", 《计算机工程与设计》 * |
张御宇 等: "基于改进随机森林分类器在RGBD面部表情上的应用研究", 《南京师大学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381047A (zh) * | 2020-11-30 | 2021-02-19 | 华南理工大学 | 一种人脸表情图像的增强识别方法 |
CN112381047B (zh) * | 2020-11-30 | 2023-08-22 | 华南理工大学 | 一种人脸表情图像的增强识别方法 |
CN112733717A (zh) * | 2021-01-11 | 2021-04-30 | 广州市金其利信息科技有限公司 | 一种基于人脸属性优化人脸识别的方法 |
CN112949522A (zh) * | 2021-03-11 | 2021-06-11 | 重庆邮电大学 | 一种基于支持向量机的人像数据的分类方法 |
CN112949522B (zh) * | 2021-03-11 | 2022-06-21 | 重庆邮电大学 | 一种基于支持向量机的人像数据的分类方法 |
CN114429654A (zh) * | 2021-11-26 | 2022-05-03 | 南京师范大学 | 一种基于多元融合决策的人脸表情识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111523367B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523367B (zh) | 基于人脸属性分析的智能化人脸表情识别方法与*** | |
CN113496217B (zh) | 视频图像序列中人脸微表情识别方法 | |
Gao et al. | Deep label distribution learning with label ambiguity | |
Shao et al. | Feature learning for image classification via multiobjective genetic programming | |
US11862145B2 (en) | Deep hierarchical fusion for machine intelligence applications | |
KR20200000824A (ko) | 중심 분산 손실 함수를 활용한 딥 러닝 모델 기반의 얼굴 표정 인식 방법 | |
CN112417306B (zh) | 基于知识图谱的推荐算法性能优化的方法 | |
CN111666588B (zh) | 一种基于生成对抗网络的情绪差分隐私保护方法 | |
CN112800891B (zh) | 一种用于微表情识别的鉴别性特征学习方法与*** | |
Salmam et al. | Emotion recognition from facial expression based on fiducial points detection and using neural network | |
CN111028319B (zh) | 一种基于面部运动单元的三维非真实感表情生成方法 | |
Xu et al. | Person-independent facial expression recognition method based on improved Wasserstein generative adversarial networks in combination with identity aware | |
CN110175578B (zh) | 应用于刑侦的基于深度森林的微表情识别方法 | |
CN112580555A (zh) | 一种自发微表情识别方法 | |
Sahu et al. | Modeling feature representations for affective speech using generative adversarial networks | |
CN111444787B (zh) | 一种性别约束的全智能化人脸表情识别方法及*** | |
Njoku et al. | Deep learning based data fusion methods for multimodal emotion recognition | |
Singh et al. | Age, gender prediction and emotion recognition using convolutional neural network | |
CN117150320B (zh) | 对话数字人情感风格相似度评价方法及*** | |
CN113792541B (zh) | 一种引入互信息正则化器的方面级情感分析方法 | |
Vijayaraju | Image retrieval using image captioning | |
Tripathi et al. | Facial expression recognition using data mining algorithm | |
CN113642446A (zh) | 一种基于人脸动态情绪识别的检测方法和装置 | |
Sultana et al. | A Deep CNN based Kaggle Contest Winning Model to Recognize Real-Time Facial Expression | |
CN112800951A (zh) | 基于局部基特征的微表情识别方法、***、装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230414 Address after: 437000 High tech Yangtze River Industrial Park, Xianning City, Hubei Province Patentee after: Hubei Jinwei Intelligent Technology Co.,Ltd. Address before: No. 88 Xianning Avenue, Xianning, Hubei Province, Hubei Patentee before: HUBEI University OF SCIENCE AND TECHNOLOGY |