导读:本文包含了人脸表情论文开题报告文献综述及选题提纲参考文献，主要关键词:人脸表情识别,LBP,BOW,特征融合
人脸表情论文文献综述
高理想,高磊[1]（2019）在《基于特征融合的人脸表情识别研究》一文中研究指出针对现有的人脸表情识别方法易受到光照、噪声等因素的影响导致识别率较低的问题,本文提出了一种基于特征融合的人脸表情识别方法。从两方面对表情信息进行描述,通过局部二值模式(LocalBinaryPattern,LBP)和词袋模型(BagOfWords,BOW)分别对表情图像进行纹理特征和语义特征提取,然后将两种特征进行线性融合,最后使用支持向量机(Support Vector Machine,SVM)进行表情分类识别。本文方法在JAFFE和CK+表情数据集上分别取得了98.76%和97.58%的识别率,验证了所提出方法的有效性。(本文来源于《软件工程》期刊2019年12期）
王思明,梁运华[2]（2019）在《基于改进LBP的人脸面部表情特征提取方法（英文）》一文中研究指出面部表情识别中,局部二值模式(Local binary pattern, LBP)是一种重要的纹理特征提取方法,但其在特征提取时维度较高、提取速度慢、不能得到有效的局部或者全局特征,因而提出了一种基于改进LBP的人脸面部表情特征提取方法。该将LBP转化为双局部二值模式(Double local binary pattern, DLBP),融合泰勒展开式(Taylor expansiion, TE),生成DLBP-TE算法,此算法结合极限学习机(Extreme learning machine, ELM)分类算法应用于七种表情分类中,在日本成年女性面部表情(JAFFE)数据库中进行实验。结果表明,此方法能显着提高面部表情识别率。(本文来源于《Journal of Measurement Science and Instrumentation》期刊2019年04期）
黄倩露,王强[3]（2019）在《结构化特征融合的人脸表情识别》一文中研究指出考虑中心像素值对梯度幅值计算的影响,提出绝对尺度不变特征变换(ASIFT)描述子,结合主动形状模型(ASM)定位人脸特征点,提出ASM-ASIFT特征提取方法。将该方法所提特征与通过划分人脸表情区域并赋予权值的局部二值模式(LBP)特征进行结构化融合。实验结果表明,结构化融合后的正脸和侧脸表情识别的准确率分别为83.44%和71.19%,较ASM-ASIFT以及区域LBP方法,分别提高了4.77%、4.78%和6.98%、8.45%,表明融合后的特征能更加完整、精确地描述面部表情的细节信息,具有更强的表征能力。(本文来源于《计算机工程与设计》期刊2019年11期）
闫衍芙,吕科,薛健,王聪,甘玮[4]（2019）在《基于深度学习和表情AU参数的人脸动画方法》一文中研究指出为了利用计算机方便快捷地生成表情逼真的动漫人物,提出一种基于深度学习和表情AU参数的人脸动画生成方法.该方法定义了用于描述面部表情的24个面部运动单元参数,即表情AU参数,并利用卷积神经网络和FEAFA数据集构建和训练了相应的参数回归网络模型.在根据视频图像生成人脸动画时,首先从单目摄像头获取视频图像,采用有监督的梯度下降法对视频帧进行人脸检测,进而对得到的人脸表情图像准确地回归出表情AU参数值,将其视为叁维人脸表情基系数,并结合虚拟人物相对应的24个基础叁维表情形状和中立表情形状,在自然环境下基于表情融合变形模型驱动虚拟人物生成人脸动画.该方法省去了传统方法中的叁维重建过程,并且考虑了运动单元参数之间的相互影响,使得生成的人脸动画的表情更加自然、细腻.此外,基于人脸图像比基于特征点回归出的表情系数更加准确.(本文来源于《计算机辅助设计与图形学学报》期刊2019年11期）
张俞晴,何宁,魏润辰[5]（2019）在《基于卷积神经网络融合SIFT特征的人脸表情识别》一文中研究指出表情识别技术是计算机从静态表情图像或动态表情图像中识别出特定的表情,是实现人机交互的基础。提出一种融合卷积神经网络(CNN)与SIFT特征的人脸表情识别方法。通过图像预处理得到规范化的表情图像;采用视觉词袋模型将图像提取的SIFT特征作进一步处理,将得到的图像特征向量作为局部特征,CNN提取的特征作为全局特征,全局特征用以描述表情的整体差异,局部特征用以描述表情的局部差异;将提取出的两组特征融合后采用Softmax分类。与流形稀疏表示(Manifold Sparse Representation,MSR)及3DCNN等方法在CK+及FER2013数据集上的实验表明,该方法是一种有效的表情识别方法。(本文来源于《计算机应用与软件》期刊2019年11期）
钟明静,卢涵宇,李丹杨,兰海翔,侯汝冲[6]（2019）在《基于特征层融合与BP神经网络的人脸表情识别研究》一文中研究指出针对图像处理中人脸表情识别率不高的问题,提出了一种基于特征层融合和神经网络的人脸表情识别方法。利用PCA对原图像进行特征降维处理得到维数较低的表情图像特征,再从粗到细策略对特征进行融合,最后采用神经网络的BP反向传播算法对训练集和验证集经多次迭代后训练好人脸表情模型。将收集到的表情数据进行实验仿真对比表明:本文提出方法与常用的分类算法相比,人脸表情识别率在本文提到的表情数据库上取得更好的效果。(本文来源于《广西大学学报(自然科学版)》期刊2019年05期）
沈利迪[7]（2019）在《融合深度学习和稀疏表示的人脸表情识别方法研究》一文中研究指出随着人机交互和机器学习技术的迅速发展,人脸表情的识别技术受到越来越多研究者的关注。为提高人脸表情的识别率,本文提出了将深度学习和稀疏表示分类方法相结合的图像识别算法。本算法先是利用深度卷积神经网络构建提取人脸表情特征的网络模型,然后利用该网络模型提取样本的特征向量,并建立表情的超完备字典,最后利用稀疏表示分类算法进行人脸表情识别。实验在LFW和AR两个数据集上进行测试,结果证明本文提出的算法有较好的识别效果。(本文来源于《自动化技术与应用》期刊2019年10期）
蒋秋宇,张立军,孟德建[8]（2019）在《基于改进人脸区域提取方式的面部表情识别算法》一文中研究指出在智能汽车领域,以面部表情为载体的情绪检测技术可以用于分析乘员生理及心理的变化情况,从而实时调控行驶状态及车内环境状态,以提高驾驶过程中的安全性并改善用户体验。本文基于回归树集合提取的面部特征点的方法改进了人脸区域提取方式,在该区域取以面积为2像素的两矩形模板和面积为3像素的叁矩形模板所形成Haar-like特征作为图像特征,最后利用支持向量机进行表情分类。这一方法对人脸表情的识别率有明显的提高,所提取出的人脸区域对于表情识别更具适应性。(本文来源于《2019中国汽车工程学会年会论文集（1）》期刊2019-10-22）
薛建明,刘宏哲,袁家政,王雪峤,李青[9]（2019）在《基于CNN与关键区域特征的人脸表情识别算法》一文中研究指出为了克服目前公开的人脸表情数据集的数据量较少,并且有一些类别的表情表达存在一定的相似这两个因素对人脸表情识别率的影响,提出一种基于关键区域特征融合的人脸表情分类算法。算法首先提取人脸图像中表情表达的关键区域,然后分别提取关键区域的特征信息并融合,最终使用融合的特征进行分类。通过实验验证:算法在JAFFE和CK+公开数据集上均取得了较好的识别准确率。(本文来源于《传感器与微系统》期刊2019年10期）
[10]（2019）在《3D打印跑车、人脸测谎“表情大作战”……这些“黑科技”亮瞎你的眼》一文中研究指出“吃鸡”游戏、模拟飞行······VR技术体验热；3D打印经典跑车“眼镜蛇”吸眼球；人脸测谎“表情大作战”引围观；区块链与医疗会碰撞出怎样的火花？5G自动驾驶带你直通未来······2019中国国际智能产业博览会正在重庆国际博览中心举行，各种炫酷(本文来源于《重庆商报》期刊2019-08-29）
人脸表情论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
面部表情识别中,局部二值模式(Local binary pattern, LBP)是一种重要的纹理特征提取方法,但其在特征提取时维度较高、提取速度慢、不能得到有效的局部或者全局特征,因而提出了一种基于改进LBP的人脸面部表情特征提取方法。该将LBP转化为双局部二值模式(Double local binary pattern, DLBP),融合泰勒展开式(Taylor expansiion, TE),生成DLBP-TE算法,此算法结合极限学习机(Extreme learning machine, ELM)分类算法应用于七种表情分类中,在日本成年女性面部表情(JAFFE)数据库中进行实验。结果表明,此方法能显着提高面部表情识别率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人脸表情论文参考文献
[1].高理想,高磊.基于特征融合的人脸表情识别研究[J].软件工程.2019
[2].王思明,梁运华.基于改进LBP的人脸面部表情特征提取方法（英文）[J].JournalofMeasurementScienceandInstrumentation.2019
[3].黄倩露,王强.结构化特征融合的人脸表情识别[J].计算机工程与设计.2019
[4].闫衍芙,吕科,薛健,王聪,甘玮.基于深度学习和表情AU参数的人脸动画方法[J].计算机辅助设计与图形学学报.2019
[5].张俞晴,何宁,魏润辰.基于卷积神经网络融合SIFT特征的人脸表情识别[J].计算机应用与软件.2019
[6].钟明静,卢涵宇,李丹杨,兰海翔,侯汝冲.基于特征层融合与BP神经网络的人脸表情识别研究[J].广西大学学报(自然科学版).2019
[7].沈利迪.融合深度学习和稀疏表示的人脸表情识别方法研究[J].自动化技术与应用.2019
[8].蒋秋宇,张立军,孟德建.基于改进人脸区域提取方式的面部表情识别算法[C].2019中国汽车工程学会年会论文集（1）.2019
[9].薛建明,刘宏哲,袁家政,王雪峤,李青.基于CNN与关键区域特征的人脸表情识别算法[J].传感器与微系统.2019
[10]..3D打印跑车、人脸测谎“表情大作战”……这些“黑科技”亮瞎你的眼[N].重庆商报.2019