计算机科学全球研究杂志
菜单类ISSN:2229-371X
ISSN:2229-371X
| Rajneeshsingla*赛尔班赛尔 计算机工程科,亚达温德拉工程学院,Talwandi Sabo |
| 对应作者 :Rajneesh Singla电子邮件:eng.singla85@gmail.com |
| 相关文章at普梅德,学者谷歌 |
访问更多相关文章计算机科学全球研究杂志
自然面部表达方式常出现在人际社会交互中,有助于为交互提供情感环境并交流社会意图论文描述从输入图像中检测未知人脸并识别他/她当前情绪的想法以心理状态提供某些异常信息 帮助诊断抑郁症 狂躁症或精神分裂症消除图像反射错误尚未实现,但本文使用算法高效解决错误本文中我们接受五种不同感知方式:欢乐、恐惧、藐视、悲观、悲观和震惊主组件分析使用Fisherface算法识别不同情绪.论文主体部分是一个情感数据库,内含脸部图片、相应的动作单元和标签数据库对上述问题的贡献是,数据库系统可以使用数据库识别情感面部表达式动作单元组合
关键字 |
| 特征剖析法 法度表达法检测法 主构分析法 费雪脸算法 |
导 言 |
| 人机界面未来将使用方法既识别面部表达式情感背景,又以易理解方式传递情感当然,这样的界面肯定会基于多种因素做出选择,但我们假设面部表达方式能提供大量有用信息,我们建议集中研究这类观察方式。此外,我们的工作将主要侧重于识别问题,尽管我们认为强情感通信法对此类交互是必要的即计算机系统表达情感 更有可能从用户获取强烈情感表达表达式组件实际上可以使识别任务简单得多我们的研究将主要关注情绪检测并识别不同面部表达式Facial表达式是个人情感状态、认知活动、意图、个性和心理学的可见表现在人际关系中起通信作用面部表达式和其他手势传递非语言通信提示提示器还可能辅助语音,帮助收信者调出口语的用意面部表达式对监听对话者有相当大的效果语音表达约55%效果,38%后通过语音内涵传递,7%通过口语传递信息传递后 面部表达方式可以发挥重要作用 人与机器交互面部表达式自动识别可起自然人机接口作用(有些变异称为感知接口或对话接口)。此类接口可自动提供服务,需要很好地理解服务用户的情感状态,例如涉及商谈的交易即为一例。某些机器人也可以从识别表达式能力[3][2]中受益行为学或医学面部表达式自动化分析是另一种可能的应用域日常生活中,这种原型表达式相对不常发生 。 代之以,情感常通过微小变化传递一或数个离散面貌特征,如用愤怒收紧嘴唇或以悲伤斜斜下嘴角举个例子提高浏览信号Hape[11].axive微粒面部表达式 |
互连审查 |
| Leeetal[8]接近表达式不变面部识别法,该法转换输入面部图像并任意表达成相应的中性面部表达式图像实现表达式不变性,先使用AAM从输入图像提取面部特征向量下一步,使用直接或间接面部表达式变换将输入面部特征向量转换成相应的中性面部表达式向量最后,通过远程匹配技术近邻分类器、线性辨别分析器和通用辨别分析法实现表达式不变面部识别曼迪普考尔等公元前论文展示新思想检测输入图像中未知人脸并识别面部表达项目的目标是实现高智能机器或机器人实现思想实现法赛尔等公元前[7]实现面部动作单元识别,即面部表达式和情感专用表达式的微小变化最优面特征提取算法Canny边缘检测器应用定位脸像,分层聚类机制强化提取高纹度面部聚类搜索区Peteret等公元前[8] 拟方法基于Fisher线性辨别并产生低维子空间精密分离类,即使光度和面部表达式存在严重变异Eigen脸部技术是另一种基于线性投射图像空间到低维子空间的方法,它有相似计算需求广度实验结果显示 拟用Fisher脸型方法 误差率比Eigen脸型技术低 哈佛大学和耶鲁脸型数据库测试巴特利特公元前[5]探索并比较图象序列自动识别面部动作技术技术包括透视流分析面部运动整体空间分析,如独立构件分析、局部特征分析以及线性辨别分析基于本地滤波输出方法,如Gabor波流表示法和本地主构件 |
素数解析 |
| 数据库使用我研究论文 面部情绪检测数据库包含(48图像7面部表达式包括中性图像)数据库中包含个人不同图像,视不同情况代表不同情绪数据库包含48色个人脸像4图象按对象分布如下 面部表达式或配置执行中,所有图像重排到256x256的统一维度下图显示数据库图像可使用表情识别 |
 |
减模技术 |
| 在统计方面,维度下降是减少随机变量数目的过程,可划分为特征选择和特征提取 |
| 特征选择 |
| 特征选择方法试图查找原变量子集(也称特征或属性)。双策略过滤器信息增益和打包器引导查找精度)方法并见组合优化问题在有些情况下,回归或分类等数据分析可以在缩小空间比原创空间更精确地完成。主体视之为面部识别过程的第一步 |
| 特征提取 |
| 特征提取将高维空间数据转换为小维度空间数据变换可能是线性化的,如主构分析中那样,但许多非线性分维还原技术线性下降主技术主组件分析对数据向下维空间进行线性映射,使低维表示式数据差最大化实践上,相关数据矩阵构建并计算该矩阵上的生成器响应最大egenvales(主构件)的源码现在可用于重构原数据大片差分此外,前几位精子常用系统大规模物理行为来理解原创空间(带分数维度)已减为少数始发者所覆盖的空间(带数据损耗,但希望保留最重要的差值)。主组件分析可用非线性方式使用内核技巧生成技术能构建非线性映射以最大化数据差异生成技术名称为内核PCA其他重要非线性技术包括多重学习技术,如局部线性嵌入法(LLEE)、HessianLLLEE、Laplacianegenmaps和LTSA技术构建低维数据表示法使用成本函数保留数据局部属性,并可视之为内核PCA定义图内核最近有人提议用半确定式编程来学习内核,而不是定义固定内核最突出的例子就是最大差演化MVU中心思想是完全保留近邻间所有双智能距离(内部产品空间),同时尽量扩大非近邻点间距离邻里保护的替代方法是通过最小化成本函数测量输入空间和输出空间距离差重要实例包括经典多维缩放(与PCA完全相同)、Isomap(数据空间使用测距法)、扩散地图(数据空间使用分布距离法)、t-SNE(最小化双点分布偏差)和卷积分解非线性维化的不同方法就是使用自编码器,这是一种特殊向向神经网络并装有瓶层隐藏层深编码器培训通常使用贪心层化预培训方式(例如使用数组受限波尔兹曼机)进行,后加基于反向传播的微调阶段主构分析:主构分析(PCA)是一个数学过程,使用正交变换法将一组可能相关变量转换成一组非相关变量值,即主构值主构数小于或等于原变量数变换方式定义第一主构件最大差数(即尽可能多解析数据变异),而相继分量则最大差数,约束下最大差数与前列构件不相容主构件保证独立,只有在数据集通常合用分配时方能保证独立PCA敏感原生变量的相对缩放视应用领域而定,它也命名为离散Karhunen-Loève变换-Hostell变换或正正交分解1901年卡尔皮尔逊发明现在它大都被用作探索数据分析工具 和预测模型制作工具五氯苯甲醚可以通过数据共变矩阵或单值分解数据矩阵实现分解,通常在均值居于每个属性数据后实现分解PCA结果通常按分数(转换变量值对应数据中特定案例)和加载值(权值对准每个标准原变量乘法以分数计算分数)。PCA最简单真源多变分析通常,它操作可被视为显示数据内部结构,最能解释数据差异多变量数据集可视化高维数据空间数组坐标(每变量1轴),CPA可向用户提供下维图片,即从该对象最信息化视图看该对象时的“Shaow”(从某种意义上讲)仅使用前几大构件实现这一点,使变换数据维度下降。PCA与因子分析密切相关确实,一些统计包(如Stata)刻意配置两种技术真实因子分析对底层结构有不同的假设并解决略微不同的矩阵生成者问题渔业算法:渔业线性辨别法用于统计、模式识别和机器学习以查找线性组合特征,特征特征或分离二类或多类对象或事件由此产生的组合可用作线性分类器,或更常见地用于后期分类前的维度消减而在另外两种方法中,依存变量是一个数值量,而对于LDA则是一个绝对变量(即i类标签)逻辑回归比回归更相似LDA,因为它们也解释绝对变量在不合理假设独立变量通常分布时,这些其他方法优先应用,这是LDA法基本假设 |
| LDA还密切关联主构分析(PCA)和因子分析,因为两者都寻找各种变量线性组合最能解释数据LDA明文尝试建模数据类别间的差异PCA不考虑类别上的任何差分,因子分析建构特征组合基于差异而非相似性偏差分析与因子分析也不相同,因为它不是相互依存技术:必须区分独立变量和依存变量(也称标准变量)。LDA工作时对独立变量测量对每次观察为连续量处理绝对独立变量时,等效技术是偏差通信分析 |
操作程序 |
| 实时数据库实验数据库内存(48图像7面部表达式包括中性图像)数据库中包含个人不同图像,视不同情况代表不同情绪数据库包含48色个人脸像4图象按对象分布如下 面部表达式或配置执行中,所有图像重排到256x256的统一维度强健实验通过选择适当数分数分数运算数和阶梯大小随机整理数据集来归纳问题输入图像组成表情识别模块的第一个状态面向模块面像传递为系统输入输入图像样本考虑非一致性光效果、可变面部表达式和带镜面像运行第二阶段,脸部图像传递转换为操作兼容格式,脸部图像调整为统一维度数据类型图像样本转换为双精度并传递特征提取特征提取单元运行Fisher脸部和CCA算法计算面部提取特征传递分级程序计算欧几里得最小距离中值图像,并选择最小距离图像输出为实施拟议的识别架构,数据库样本接受知识生成分类培训训练阶段新面部图像加入系统时,特征计算和对齐数据集编译对比测试面的权值和数据库已知权值时,计算测试与已知权值集间差的规范,使双最小差表示最接近匹配 |
| 方法论 |
| 检测面部情绪的方法描述如下: |
| 步骤1:创建双文件夹 |
| 培训图像 |
| 输入图像 |
| 步骤2:创建循环通过培训图像阅读T矩阵(预处理) |
| 步骤3:读取每种图像的情绪/脸表达式定义并用矩阵索引 |
| 步骤4计算egenfaces |
| 步骤5:计算鱼面 |
| 步骤6:辨识中性图像 |
| 步骤7:使用分类器识别接近输入图像的图像 |
| 步骤8:识别图像表达式 |
成果和讨论 |
| 最佳设计CCA和Fisher脸谱算法测试所得结果辉煌所有五大情绪即Sad、藐视、恐惧、Joy、Disgust和Assstive网络最终通过实时数据集测试,并有极佳识别率发现情感主要效果不足为奇以这种方式,这些结果支持过去研究显示某些情感比其他情感更容易识别在当前研究中,欢乐是最精确识别的情感,其次是愤怒、悲伤、惊讶、厌恶和最后恐惧发现两组在识别恐惧方面表现差是惊人的,因为这种情感常评为较初级情感,而百分数正确率为86% |
 |
 |
 |
结论 |
| 研究论文的目的是探索面部情绪开发各种图像处理技术以满足面部表达识别系统需求但这些系统仍有许多挑战和问题需要解决,特别是在性能提高和可应用性提高方面。研究论文中我们建议CCA和Fisher面部下降维度方法 不同类型的面部情绪提议算法在实时数据库中成功实现实验结果显示算法通过分辨不同特征可有效识别不同面部情绪 |
引用 |
|