CN112052767A - 一种基于支持向量机的识别夸张表情的方法及设备 - Google Patents
一种基于支持向量机的识别夸张表情的方法及设备 Download PDFInfo
- Publication number
- CN112052767A CN112052767A CN202010881470.9A CN202010881470A CN112052767A CN 112052767 A CN112052767 A CN 112052767A CN 202010881470 A CN202010881470 A CN 202010881470A CN 112052767 A CN112052767 A CN 112052767A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- exaggerated
- training
- model
- 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.)
- Pending
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 95
- 230000014509 gene expression Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 13
- 230000008921 facial expression Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于支持向量机的识别夸张表情的方法，包括以下步骤：通过Dlib人脸检测算法定位人脸关键点；在人脸关键点中选取表征夸张表情的特征点；将所述特征点坐标拼接成特征矩阵；构建支持向量机，对支持向量机进行训练、验证及测试；将特征矩阵输入至通过验证的支持向量机，得到分类结果。
Description
技术领域
本发明涉及一种基于支持向量机的识别夸张表情的方法及设备，属于人脸表情识别领域。
背景技术
人类表情中蕴含着丰富的信息，最初的人脸表情算法将表情分为生气，害怕，厌恶，开心，悲伤，惊讶以及中立七个类别，而后又将表情细分至更多类别。而根据不同的应用场景，就会产生不同的表情分类需求，但目前尚未有针对夸张表情进行分类的算法。事实上，识别夸张表情有其意义所在。比如，识别夸张表情可以作为人脸识别或活体检测的预处理阶段，筛除难以识别的带有夸张表情的人脸数据，减少后续识别或检测计算量，增强算法的实时性，提高识别或检测的准确率；在需要人工校验用户证件照的情况下，可以辅助人工校验用户上传证件照中的人脸；漫画常需要用到夸张表情，漫画家可以使用这项技术来收集素材等等。
主流的人脸表情识别技术使用决策树算法或者神经网络算法分出多个类别的人脸表情。其中决策树算法速度快，计算量相对较小,准确率高，但缺乏伸缩性，极易过拟合而导致泛化能力差(即在训练集上的效果高度优于测试集)；神经网络算法适用于大数据集，但在小数据集在表现不佳，也需要苛刻的数据准备工作，调参难度大。
发明内容
为了解决上述现有技术中存在的问题，本发明提供一种基于支持向量机的识别夸张表情的方法及设备，具有简单、计算量小、分类准确率高，速度快、拟合效果好，泛化能力强等优点。
本发明的技术方案如下：
技术方案一：
一种基于支持向量机的识别夸张表情的方法，包括以下步骤：
通过Dlib人脸检测算法定位人脸关键点；
在人脸关键点中选取表征夸张表情的特征点；
将所述特征点坐标拼接成特征矩阵；
构建支持向量机，对支持向量机进行训练、验证及测试；将特征矩阵输入至通过验证的支持向量机，得到分类结果。
进一步的，所述表征夸张表情的特征点有56个，包括：4,5,6,7,8,9,10,11,12,17,18,19,20,21,22,23,24,25,26,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67。
进一步的，将所述56个特征点坐标拼接成特征矩阵M56×2；所述特征矩阵M56×2的每一行为一个特征点的坐标。
进一步的，构建支持向量机的步骤如下：
使用OpenCV中ml机器学习库工具构建支持向量机，支持向量机类型选择C_SVC，对离群值使用惩罚系数C，核函数使用LINEAR线性核。
进一步的，对支持向量机进行训练、验证及测试的步骤如下：
收集数据集，所述数据集包括若干个带有分类标签的人脸表情图片；将数据集分为训练集、验证集和测试集；
将训练集输入至支持向量机进行迭代训练，设置最大迭代次数为1000，最高准确率精度为1e-6，当迭代次数或者准确率精度达到设置的参数值时，停止训练迭代，保存支持向量机模型；
将验证集输入保存好的支持向量机，测试模型的准确率，观察模型准确率是否有明显的浮动，验证模型的泛化能力，为调整超参数提供依据，找到最优参数；
将测试集输入通过验证的支持向量机，测试模型的准确率，评估最优超参数训练模型的泛化能力。
技术方案二：
一种基于支持向量机的识别夸张表情的方法的设备，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行以下步骤：
一种基于支持向量机的识别夸张表情的方法，包括以下步骤：
通过Dlib人脸检测算法定位人脸关键点；
在人脸关键点中选取表征夸张表情的特征点；
将所述特征点坐标拼接成特征矩阵；
构建支持向量机，对支持向量机进行训练、验证及测试；将特征矩阵输入至通过验证的支持向量机，得到分类结果。
进一步的，所述表征夸张表情的特征点有56个，包括：4,5,6,7,8,9,10,11,12,17,18,19,20,21,22,23,24,25,26,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67。
进一步的，将所述56个特征点坐标拼接成特征矩阵M56×2；所述特征矩阵M56×2的每一行为一个特征点的坐标。
进一步的，构建支持向量机的步骤如下：
使用OpenCV中ml机器学习库工具构建支持向量机，支持向量机类型选择C_SVC，对离群值使用惩罚系数C，核函数使用LINEAR线性核。
进一步的，对支持向量机进行训练、验证及测试的步骤如下：
收集数据集，所述数据集包括若干个带有分类标签的人脸表情图片；将数据集分为训练集、验证集和测试集；
将训练集输入至支持向量机进行迭代训练，设置最大迭代次数为1000，最高准确率精度为1e-6，当迭代次数或者准确率精度达到设置的参数值时，停止训练迭代，保存支持向量机模型；
将验证集输入保存好的支持向量机，测试模型的准确率，观察模型准确率是否有明显的浮动，验证模型的泛化能力，为调整超参数提供依据，找到最优参数；
将测试集输入通过验证的支持向量机，测试模型的准确率，评估最优超参数训练模型的泛化能力。
本发明具有如下有益效果：
1、本发明提供了一种识别夸张表情的方法，选取适用于二分类问题的支持向量机，通过求解特征空间上的最大间隔进行分类，具有简单、计算量小、分类准确率高，速度快等优点，与同样适用于小数据集的决策树算法相比，支持向量机不仅可以达到很好的拟合效果，更具有强大的泛化能力；与神经网络相比，数据准备工作量少，训练时间短，调参难度低；
2、本发明在于通过选取表征夸张表情的特征点，并由特征点获得低维度的特征矩阵，特征矩阵较好的表现了夸张表情几何形变较大的特点，数据量小，降低后续分类算法的计算量；
3、本发明基于夸张表情分类的需求，根据特征矩阵数据量小、数据线性分布的特点，构建支持向量机；使用LINEAR线性核对特征矩阵进行变换，运行速度快，分类效果好。多次试验表明，本发明得到的支持向量机达到很好的拟合效果。
附图说明
图1为本发明的流程图；
图2为本发明选取的特征点示意图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一
参见图1，一种基于支持向量机的识别夸张表情的方法，包括以下步骤：
通过Dlib人脸检测算法定位人脸关键点；
在人脸关键点中选取表征夸张表情的特征点；
根据所述特征点坐标，拼接成特征矩阵；
构建支持向量机(Support Vector Machine,SVM)，对支持向量机进行训练、验证及测试；将特征矩阵输入至通过验证的支持向量机，得到分类结果。
本发明的有益效果在于提供了一种识别夸张表情的方法，选取适用于二分类问题的支持向量机，通过求解特征空间上的最大间隔进行分类，具有简单、计算量小、分类准确率高，速度快等优点，与同样适用于小数据集的决策树算法相比，支持向量机不仅可以达到很好的拟合效果，更具有强大的泛化能力；与神经网络相比，数据准备工作量少，训练时间短，调参难度低。
实施例二
进一步的，图2中的67个关键点均已公开，由Dlib人脸检测算法获得，在这67个关键点当中选取表征夸张表情的56个特征点(即人脸在做夸张表情时容易受到影响，偏离原始位置的点，这些点主要集中在眼睛、鼻子、嘴巴以及这些五官附近)，包括：4,5,6,7,8,9,10,11,12,17,18,19,20,21,22,23,24,25,26,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67。
进一步的，根据所述56个特征点坐标，拼接成特征矩阵M56×2；特征矩阵的每一行为一个特征点的坐标。
本发明的进步之处在于通过特征点获得低维度的特征矩阵，较好的体现了夸张表情几何形变较大的特点，数据量小，降低后续分类算法的计算量。
实施例三
进一步的，构建支持向量机的步骤如下：
使用OpenCV中ml机器学习库工具构建支持向量机，支持向量机类型选择C_SVC，允许类的不完美分离，对离群值使用惩罚系数C，核函数使用LINEAR线性核(运行速度最快)，仅在原始的特征空间上进行线性分类。
进一步的，对支持向量机进行训练、验证及测试的步骤如下：
收集数据集，所述数据集包括若干个带有分类标签的人脸表情图片(将夸张表情标注为0，正常表情标注为1)；将数据集以8:1:1的比例划分为训练集、验证集和测试集；
将训练集输入至支持向量机进行迭代训练，设置最大迭代次数为1000，最高准确率精度为1e-6，当迭代次数或者准确率精度达到设置的参数值时，停止训练迭代，保存支持向量机模型；
将验证集输入保存好的支持向量机，测试模型的准确率，观察模型准确率是否有明显的浮动，验证模型的泛化能力，为调整超参数提供依据，找到最优参数；
将测试集输入通过验证的支持向量机，测试模型的准确率，评估最优超参数训练模型的泛化能力。
构建适用于夸张表情分类的支持向量机的难点在于：
1、支持向量机优劣主要取决于核函数的选取，所以对于一个实际问题而言，关键在于如何根据实际的数据模型选择合适的核函数从而构造支持向量机。在不同的问题领域，核函数应当具有不同的形式和参数，所以在选取时候应该将领域知识引入进来，但是目前还没有好的方法来解决核函数的选取问题；
2、参数的调整，惩罚系数C表示对误差的宽容度，C越大，说明越不能容忍出现误差，容易过拟合；C越小，说明越能容忍出现误差，容易欠拟合，当C值过大或过小时，泛化能力差；同理，训练的迭代次数也应合理选择。
本实施例的进步之处在于基于夸张表情分类的需求，根据特征矩阵数据量小、数据线性分布的特点，构建支持向量机；使用LINEAR线性核对特征矩阵进行变换，运行速度快，分类效果好。多次试验表明，本发明得到的支持向量机达到很好的拟合效果。
实施例四
一种基于支持向量机的识别夸张表情的方法的设备，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行以下步骤：
通过Dlib人脸检测算法定位人脸关键点；
在人脸关键点中选取表征夸张表情的特征点；
根据所述特征点坐标，拼接成特征矩阵；
构建支持向量机(Support Vector Machine,SVM)，对支持向量机进行训练、验证及测试；将特征矩阵输入至通过验证的支持向量机，得到分类结果。
本发明的有益效果在于提供了一种识别夸张表情的方法，选取适用于二分类问题的支持向量机，通过求解特征空间上的最大间隔进行分类，具有简单、计算量小、分类准确率高，速度快等优点，与同样适用于小数据集的决策树算法相比，支持向量机不仅可以达到很好的拟合效果，更具有强大的泛化能力；与神经网络相比，数据准备工作量少，训练时间短，调参难度低。
实施例五
进一步的，图2中的67个关键点均已公开，由Dlib人脸检测算法获得，在这67个关键点当中选取表征夸张表情的56个特征点(即人脸在做夸张表情时容易受到影响，偏离原始位置的点，这些点主要集中在眼睛、鼻子、嘴巴以及这些五官附近)，包括：4,5,6,7,8,9,10,11,12,17,18,19,20,21,22,23,24,25,26,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67。
进一步的，根据所述56个特征点坐标，拼接成特征矩阵M56×2；特征矩阵的每一行为一个特征点的坐标。
本发明的进步之处在于通过特征点获得低维度的特征矩阵，较好的体现了夸张表情几何形变较大的特点，数据量小，降低后续分类算法的计算量。
实施例六
进一步的，构建支持向量机的步骤如下：
使用OpenCV中ml机器学习库工具构建支持向量机，支持向量机类型选择C_SVC，允许类的不完美分离，对离群值使用惩罚系数C，核函数使用LINEAR线性核(运行速度最快)，仅在原始的特征空间上进行线性分类。
进一步的，对支持向量机进行训练、验证及测试的步骤如下：
收集数据集，所述数据集包括若干个带有分类标签的人脸表情图片(将夸张表情标注为0，正常表情标注为1)；将数据集以8:1:1的比例划分为训练集、验证集和测试集；
将训练集输入至支持向量机进行迭代训练，设置最大迭代次数为1000，最高准确率精度为1e-6，当迭代次数或者准确率精度达到设置的参数值时，停止训练迭代，保存支持向量机模型；
将验证集输入保存好的支持向量机，测试模型的准确率，观察模型准确率是否有明显的浮动，验证模型的泛化能力，为调整超参数提供依据，找到最优参数；
将测试集输入通过验证的支持向量机，测试模型的准确率，评估最优超参数训练模型的泛化能力。
构建适用于夸张表情分类的支持向量机的难点在于：
1、支持向量机优劣主要取决于核函数的选取，所以对于一个实际问题而言，关键在于如何根据实际的数据模型选择合适的核函数从而构造支持向量机。在不同的问题领域，核函数应当具有不同的形式和参数，所以在选取时候应该将领域知识引入进来，但是目前还没有好的方法来解决核函数的选取问题；
2、参数的调整，惩罚系数C表示对误差的宽容度，C越大，说明越不能容忍出现误差，容易过拟合；C越小，说明越能容忍出现误差，容易欠拟合，当C值过大或过小时，泛化能力差；同理，训练的迭代次数也应合理选择。
本实施例的进步之处在于基于夸张表情分类的需求，根据特征矩阵数据量小、数据线性分布的特点，构建支持向量机；使用LINEAR线性核对特征矩阵进行变换，运行速度快，分类效果好。多次试验表明，本发明得到的支持向量机达到很好的拟合效果。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于支持向量机的识别夸张表情的方法，其特征在于，包括以下步骤：
通过Dlib人脸检测算法定位人脸关键点；
在人脸关键点中选取表征夸张表情的特征点；
将所述特征点坐标拼接成特征矩阵；
构建支持向量机，对支持向量机进行训练、验证及测试；将特征矩阵输入至通过验证的支持向量机，得到分类结果。
2.根据权利要求1所述的一种基于支持向量机的识别夸张表情的方法，其特征在于，所述表征夸张表情的特征点有56个，包括：4,5,6,7,8,9,10,11,12,17,18,19,20,21,22,23,24,25,26,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67。
3.根据权利要求2所述的一种基于支持向量机的识别夸张表情的方法，其特征在于，将所述56个特征点坐标拼接成特征矩阵M56×2；所述特征矩阵M56×2的每一行为一个特征点的坐标。
4.根据权利要求1所述的一种基于支持向量机的识别夸张表情的方法，其特征在于：构建支持向量机的步骤如下：
使用OpenCV中ml机器学习库工具构建支持向量机，支持向量机类型选择C_SVC，对离群值使用惩罚系数C，核函数使用LINEAR线性核。
5.根据权利要求4所述的一种基于支持向量机的识别夸张表情的方法，其特征在于：对支持向量机进行训练、验证及测试的步骤如下：
收集数据集，所述数据集包括若干个带有分类标签的人脸表情图片；将数据集分为训练集、验证集和测试集；
将训练集输入至支持向量机进行迭代训练，设置最大迭代次数为1000，最高准确率精度为1e-6，当迭代次数或者准确率精度达到设置的参数值时，停止训练迭代，保存支持向量机模型；
将验证集输入保存好的支持向量机，测试模型的准确率，观察模型准确率是否有明显的浮动，验证模型的泛化能力，为调整超参数提供依据，找到最优参数；
将测试集输入通过验证的支持向量机，测试模型的准确率，评估最优超参数训练模型的泛化能力。
6.一种基于支持向量机的识别夸张表情设备，其特征在于，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行如权利要求1-5任一权利要求所述的一种基于支持向量机的识别夸张表情方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010881470.9A CN112052767A (zh) | 2020-08-27 | 2020-08-27 | 一种基于支持向量机的识别夸张表情的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010881470.9A CN112052767A (zh) | 2020-08-27 | 2020-08-27 | 一种基于支持向量机的识别夸张表情的方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112052767A true CN112052767A (zh) | 2020-12-08 |
Family
ID=73599995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010881470.9A Pending CN112052767A (zh) | 2020-08-27 | 2020-08-27 | 一种基于支持向量机的识别夸张表情的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052767A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049661A (zh) * | 2021-10-14 | 2022-02-15 | 同济大学 | 一种基于面部关键点识别和支持向量机相结合的分心驾驶检测方法 |
| CN115661894A (zh) * | 2022-10-13 | 2023-01-31 | 福建捷宇电脑科技有限公司 | 一种人脸图像质量过滤方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985155A (zh) * | 2018-06-06 | 2018-12-11 | 平安科技（深圳）有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
| CN109389074A (zh) * | 2018-09-29 | 2019-02-26 | 东北大学 | 一种基于人脸特征点提取的表情识别方法 |
| WO2019090769A1 (zh) * | 2017-11-13 | 2019-05-16 | 深圳和而泰智能控制股份有限公司 | 一种人脸脸型识别方法、装置和智能终端 |
| CN110363124A (zh) * | 2019-07-03 | 2019-10-22 | 广州多益网络股份有限公司 | 基于人脸关键点与几何形变的快速表情识别及应用方法 |
| CN111178195A (zh) * | 2019-12-18 | 2020-05-19 | 中国平安人寿保险股份有限公司 | 人脸表情识别方法、装置及计算机可读存储介质 |
-
2020
- 2020-08-27 CN CN202010881470.9A patent/CN112052767A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019090769A1 (zh) * | 2017-11-13 | 2019-05-16 | 深圳和而泰智能控制股份有限公司 | 一种人脸脸型识别方法、装置和智能终端 |
| CN108985155A (zh) * | 2018-06-06 | 2018-12-11 | 平安科技（深圳）有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
| CN109389074A (zh) * | 2018-09-29 | 2019-02-26 | 东北大学 | 一种基于人脸特征点提取的表情识别方法 |
| CN110363124A (zh) * | 2019-07-03 | 2019-10-22 | 广州多益网络股份有限公司 | 基于人脸关键点与几何形变的快速表情识别及应用方法 |
| CN111178195A (zh) * | 2019-12-18 | 2020-05-19 | 中国平安人寿保险股份有限公司 | 人脸表情识别方法、装置及计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049661A (zh) * | 2021-10-14 | 2022-02-15 | 同济大学 | 一种基于面部关键点识别和支持向量机相结合的分心驾驶检测方法 |
| CN115661894A (zh) * | 2022-10-13 | 2023-01-31 | 福建捷宇电脑科技有限公司 | 一种人脸图像质量过滤方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deep CNNs meet global covariance pooling: Better representation and generalization | |
| CN109615014B (zh) | 一种基于kl散度优化的3d物体数据分类系统与方法 | |
| CN113128369B (zh) | 一种融合均衡损失的轻量级网络人脸表情识别方法 | |
| CN110046698A (zh) | 异质图神经网络生成方法、装置、电子设备及存储介质 | |
| CN107977629A (zh) | 一种基于特征分离对抗网络的人脸图像衰老合成方法 | |
| CN109190665A (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
| CN107480575A (zh) | 模型的训练方法、跨年龄人脸识别方法和对应的装置 | |
| CN117690178B (zh) | 一种基于计算机视觉的人脸图像识别方法与系统 | |
| CN111598153B (zh) | 数据聚类的处理方法、装置、计算机设备和存储介质 | |
| Gu et al. | Unsupervised and semi-supervised robust spherical space domain adaptation | |
| CN107871107A (zh) | 人脸认证方法和装置 | |
| CN113887661A (zh) | 一种基于表示学习重构残差分析的图像集分类方法及系统 | |
| CN108763096A (zh) | 基于深度信念网络算法支持向量机的软件缺陷预测方法 | |
| CN109344713A (zh) | 一种姿态鲁棒的人脸识别方法 | |
| CN109978042A (zh) | 一种融合特征学习的自适应快速K-means聚类方法 | |
| CN114926702B (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
| CN112052767A (zh) | 一种基于支持向量机的识别夸张表情的方法及设备 | |
| Wang et al. | A novel multiface recognition method with short training time and lightweight based on ABASNet and H-softmax | |
| CN118918510A (zh) | 一种基于时空Transformer的门控混合专家网络的参与度评估方法 | |
| CN114357284A (zh) | 基于深度学习的众包任务个性化推荐方法和系统 | |
| CN110969073A (zh) | 一种基于特征融合与bp神经网络的人脸表情识别方法 | |
| CN110110625A (zh) | Sar图像目标识别方法及装置 | |
| CN110830291B (zh) | 一种基于元路径的异质信息网络的节点分类方法 | |
| CN114861671B (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| Zhu | [Retracted] A Face Recognition System Using ACO‐BPNN Model for Optimizing the Teaching Management System |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201208 |
|
| RJ01 | Rejection of invention patent application after publication |