基于卷积神经网络的人脸表情识别研究

在人类社会中,最常见的行为便是人与人之间的交流,而交流的方式不仅仅只局限于言语,有时能传达情感的往往是脸上浮现的表情。近年来,互联网的飞速发展,迎来了人工智能时代,人脸表情识别也走上了新的研究方向。本文简述了利用Python语言构建卷积神经网络框架,该卷积神经网络由三层卷积层、一层全连接层和一个输出层组成,输出层由6个节点组成,分别对应6种不同的表情,数据集分为训练集和测试集,训练集进入系统后,经过卷积神经网络的不断训练,提高精确度,降低误差度,使模型更加完善,最后测试集输入模型内检测精确度。     

基于可变形部件模型的人脸检测模式识别算法

针对目前人脸表情识别鲁棒性较差的问题,提出了一种基于可变形部件模型的人脸检测模式识别算法。通过一种多视点人脸检测的树状结构模型,使用详细的面部标志性标签来模拟面部内部结构。本文使用潜在支持向量机(LSVM)从部分标记的图像中获取,增强数据挖掘和引导过程在训练期间的丰富模型,逐步学习潜在阳性和阴性样本的同时,建立基于弱标记数据的模型。最后在每一个模型的检测定位过程中,综合主滤波器以及部件滤波器的响应,通过位置关系对每一个扫描到的窗口评分,并将得分和阈值相比较,得到多角度融合模型的检测结果。在对人脸检测数据集提出的算法进行验证头部姿势变化和面部封闭情况下模型的准确性。研究结果表明,该模型能较好地处理表情丰富、部分遮挡的人脸等复杂情况下的识别,正检率达到97.1%,具有较强的准确性和适用性。     

基于keras的卷积神经网络的图像分类算法研究

当前卷积神经网络应用于图像识别已成为研究的热点之一。相比于Tensorflow,Keras使用最少的程序代码、花费最少的时间就可以建立深度学习模型,进行训练、评估准确率,并进行预测。在Python的环境下输入CIFAR-10数据集,对图片进行归一化、数据增强等预处理后,利用Keras构造改进的VGG16卷积神经网络结构对CIFAR-10图像数据集进行建模和预测,最后通过比较不同的Batch Size来比较不同模型的准确率和损失,实验结果表明当Batch Size为128,CIFAR-10数据集识别正确率达到89%,明显高于其他方法。     

U-Net的桥梁裂缝智能检测方法改进研究

针对桥梁裂缝检测准确率与精度有待提高的问题，提出了基于图像分割技术的U-Net网络进行桥梁裂缝检测。采用西安市的桥梁裂缝数据集，通过人工标定完成了对数据集的标注，用于进行监督学习。针对这一数据集采用了数据增强、空洞卷积、批次归一化等方法提高识别精度，减少过拟合现象；将交叉熵损失与Dice损失相结合，提高了模型训练的速度以及识别精度。与广泛应用的图像分割方法进行比较，实验结果表明该模型在桥梁裂缝数据集上的分割表现结果具有优越性。     

一种基于多层BP神经网络面部表情识别方法

人脸表情识别是指通过面部表情特征的计算,实现表情的分类.研究了基于面部运动特征的表情识别方法,提出基于神经网络的表情识别方法.该方法提出一种基于多层BP神经网络进行表情分类的方法,其特征提取利用脸部运动编码系(FACS)进行;训练BP网络作为依据运动特征进行表情分类的判别方法.实验表明分别时上下半边脸的运动单元(AU)进行训练和测试,取得了较好的识别效果.     

AAM-Candide结合的快速表情动画合成模型

针对现有的算法在表情动画合成中自动化程度不高、生成效果不理想的问题,本文提出了一种基于AAM-Candide结合的快速表情动画合成模型。首先利用Candide-3算法获取面部表情参数-AU,并通过确定人脸的Candide-3模型来计算AU,将参数提取问题转化为一个非刚体的人脸跟踪问题,然后利用彩色图对人脸关键点进行2D定位,通过上下限规范实现Candide-3和三维数据点云之间的对应点集。实例仿真结果表明,本文提出的改进算法,对惊讶、悲伤、嘟嘴、开心等4种表情得到了较好的动画合成效果。     

基于SciBERT与ChatGPT数据增强的研究流程段落识别

[目的/意义]在阅读文献的过程中,研究流程是研究者需要特别关注的一个重要方面,自动识别学术文本中描述研究流程的段落对辅助文献阅读、学习研究设计等有着重要意义。[方法/过程]文章以自然语言处理领域为例,收集代表性会议论文构建数据集。分别基于传统机器学习模型、神经网络分类工具以及预训练语言模型构建分类器识别研究流程段落,然后对不同模型的分类效果进行评估,确定性能最优的模型。为进一步提升研究流程段落识别效果,在最优模型的基础上,基于ChatGPT进行了数据增强。[结果/结论]实验结果表明,在所有分类器中,SciBERT具有最好的研究流程段落识别效果。基于ChatGPT的数据增强可使SciBERT模型的分类性能进一步提高,最终准确率(Acc)和F₁值分别达到了0.9414和0.9409。     

基于卷积神经网络的人脸目标跟踪及表情检测

随着计算机技术和人工智能技术及其相关学科的迅猛发展,整个社会的自动化程度不断提高,人们对类似于人和人交流方式的人机交互的需求日益强烈。表情识别是情感理解的基础,是计算机理解人们情感的前提,也是人们探索和理解智能的有效途径。本文在深度学习的背景下,提出一种基于VGG-16网络基础上的迁移学习方法,以VGG-16网络作为基础网络,通过展平层将输入特征压平为一维,最后利用两层全连接层加上Softmax经典分类算法进行分类。然后在CK+数据集上进行实验。经实验,微调的VGG-16网络在CK+数据集上训练后,得到97.97%的验证精度。实验结果证明了提出方法具有更好的检测性能。     

基于部分遮挡的人脸表情识别方法

针对部分遮挡的人脸表情识别,提出了一种基于部分遮挡判断的人脸表情识别方法：首先对包含表情信息的静态图像进行Gabor小波变换,提取表情特征矢量,然后用最大相关分类器对特征矢量分类。实验表明,该方法对局部遮挡的人脸表情识别有较强的鲁棒性。     

基于改进GAN的局部遮挡人脸表情自动识别方法

传统的局部遮挡人脸自动识别方法识别出的人脸特征中存在批量不定的无效数据,难以高效适应批量的变化,本文提出基于改进生成式对抗网络的局部遮挡人脸表情自动识别方法。利用激光扫描技术获得人脸表情图像,统一处理图像和图像中的细节特征,使用改进生成式对抗网络技术提取图像中已遮挡的表情特征,将其输入到正则化编码的稀疏分类器中,实现局部遮挡人脸表情的自动识别。实验结果表明,该方法在大批量数据和小批量数据区域内,对不同表情都具有较高的累积匹配成功率,适应能力得到了提升。     

基于Tensorflow框架的手写数字识别

手写体数字0-9的识别在原始数据集的获取上较为容易,拥有MNIST的这种成熟的大型标准数据集,已经被视为是人工智能图像识别领域研究的入门问题,对其进行研究具有重要的现实意义。在众多的识别算法中,卷积神经网络在识别精度上的表现较为突出,而深度学习框架的出现在一定程度上降低了神经网络模型构建的难度和入学门槛。本文基于Tensorflow深度学习框架,详细讨论了如何构建LeNet-5卷积神经网络模型实现手写体数字识别的方法,使用MNIST数据集进行模型的训练与评估。     

基于C5.0算法的人脸表情识别研究

本文通过对人脸表情图像进行预处理,对预处理后的待测图像进行特征点标定,统计出这些特征点之间的几何特征,建立表情属性表,构建基于决策树C5.0算法的人脸表情识别模型,获取分类规则,得到较好的识别精度,为人脸表情识别提供了一条有效途径。     

基于PCA模型的人脸图像纹理特征高精度识别方法

针对传统人脸图像纹理特征识别方法中存在的计算量大,样本训练与测试时间较长,识别正确率较低等问题,提出一种新的基于PCA模型的人脸图像纹理特征高精度识别方法。在人脸图像预处理过程中,采用Gabor滤波器确定人脸图像训练样本中的双眼位置,结合卷积运算与人脸几何模型从图像中分割出目标人脸区域,并对分割得到的图像进行规范化处理;采用PCA模型对预处理后的图像进行降维与特征向量提取,并根据选取的主要纹理特征以及欧式距离近似度量结果,实现人脸图像纹理特征高精度识别。实验结果表明,所提方法的识别准确度高于实验对比方法,且样本训练时间与测试时间明显缩短,具有较好的鲁棒性。     

基于迁移学习的可回收垃圾识别分类研究

经济高速的发展,导致垃圾产量急速增大,如何通过智能方法实现垃圾分类成为人类生存环境可持续发展的关键因素。本文提出一种针对图像数据集训练的Res Net152模型实现迁移学习。从华为垃圾分类挑战赛数据集中进行筛选形成新数据集,该数据集通过随机旋转、随机平移等预处理后形成。将图像数据集的80%作为训练集,另外20%作为测试集。基于Res Net152预训练模型进行迁移学习,以此形成适合本次实验数据集的Res Net152模型。实验结果表明:在经过迁移学习后的Res Net152模型中训练,不仅提高了训练速度,而且准确率高达85%。     

基于改进卷积神经网络的人脸识别算法

针对经典人脸识别卷积神经网络(CNN)结构中因网络层次设计过深导致计算量大且训练耗时长的问题,设计一种改进的卷积神经网络结构,该结构由3个卷积层、3个池化层、1个全连接层和1个分类层组成。利用Softmax回归算法进行人脸分类识别,卷积神经网络在输出层利用改进的Softmax进行分类。实验结果表明:在AR人脸库上,所述方法的识别率接近100%,优于传统人脸识别方法,其训练速度也明显快于普通的卷积神经网络,验证了改进方法的有效性。     

基于SVM的人脸表情识别

提出利用独立成分分析提取人脸表情特征并用SVM进行识别的方法。实验分析SVM的一对一、一对多两种多分类方法,实验验证了ICA和SVM在人脸表情识别上的可行性和有效性。     

面向网络虚假医疗信息的识别模型构建研究——一种基于预训练的BERT模型

【 目的/意义】解决获取虚假网络医疗信息数据集时专业知识不足的问题,帮助在小样本领域构建虚假网络 医疗信息识别模型。【方法/过程】本文提出一种基于权威辟谣信息转化提取构建网络虚假医疗信息数据集的思路, 并依次构建传统机器学习模型、CNN模型和BERT模型进行分类识别。【结果/结论】结果表明,基于辟谣信息能够 实现以较低成本、不依赖专家标注构建虚假医疗信息数据集。通过对比实验发现,基于微博数据预训练的 BERT 模型准确率为 95.91%,F1值为 94.57%,相比于传统机器学习模型和 CNN模型提升分别接近 6%和 4%,表明本文构 建的基于预训练的BERT模型在网络虚假医疗信息识别任务上取得了更好的效果。【创新/局限】本文提出的方法能 以较低成本建立专业领域的虚假信息数据集,所构建的BERT虚假医疗信息识别模型在小样本领域也具有实用价 值,但在数据集规模、深度学习模型对比、模型性能评价指标等方面还有待拓展与延伸。     

人面部表情识别方法综述

人脸表情识别是模式识别中一个非常重要却十分复杂的课题。首先对计算机人脸表情识别技术的研究背景及发展历程作了简单回顾。然后对近期人脸表情识别的方法进行了分类综述。通过对各种识别方法的分析与比较,提出了人脸表情识别技术实用化所需要考虑的几个方面,进而展望了人脸表情识别技术的发展方向。     

基于LDP的人脸识别算法设计与实现

人脸识别在身份验证领域得到了越来越多的应用。本文设计了一种基于LDP特征的人脸识别方案,首先将人脸图像与8个方向的Kirsch模板作卷积,对卷积结果进行二进制编码,得到LDP编码图像,并对编码图像分块提取直方图构建特征向量,采用最近邻分类器和卡方距离,在ORL标准人脸库上进行实验,实验结果表明,选择合适的参数,本文的算法在ORL标准人脸库上的识别准确率最高可达97.85%。     

基于Garbor滤波和PCA的双核LSSVM人脸识别

为了对具有不同表情和姿势等特征的人脸进行有效识别,同时解决以往人脸识别方法的维数灾和识别准确率低的问题,提出了一种基于Garbor滤波和双核LSSVM的人脸识别方法。首先,采用Gabor滤波器提取原始人脸图像在不同尺度和方向上的人脸特征向量,然后采用主成分分析法对特征向量降维以解决维数灾问题。为了解决传统最小二乘支持向量机方法中核函数选取不能同时具有较强外推能力和插值能力的缺点,设计了一种新的核函数综合加权了多项式核函数和径向基函数。最后,采用训练样本数据对LSSVM进行训练得到最终的人脸分类模型。采用Matlab仿真工具对文中方法进行仿真,并与其它方法进行对比,实验结果表明文中的方法能有效地实现对人脸表情进行分类,且具有分类效率高和识别精度高的优点。