• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 13
    • 下载费用:30 金币  

    重庆时时彩后一投注技巧: 一种基于云模型的人脸表情识别方法.pdf

    关 键 词:
    一种 基于 模型 表情 识别 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201110234790.6

    申请日:

    2011.08.16

    公开号:

    CN102254189A

    公开日:

    2011.11.23

    当前法律状态:

    撤回

    有效性:

    无权

    法律详情: 发明专利申请公布后的视为撤回IPC(主分类):G06K 9/62申请公布日:20111123|||实质审查的生效IPC(主分类):G06K 9/62申请日:20110816|||公开
    IPC分类号: G06K9/62 主分类号: G06K9/62
    申请人: 武汉大学
    发明人: 王树良; 池荷花; 池莲花
    地址: 430072 湖北省武汉市武昌区珞珈山武汉大学
    优先权:
    专利代理机构: 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 代理人: 张火春
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201110234790.6

    授权公告号:

    ||||||

    法律状态公告日:

    2013.01.02|||2012.01.04|||2011.11.23

    法律状态类型:

    发明专利申请公布后的视为撤回|||实质审查的生效|||公开

    摘要

    本发明公开了一种基于云模型的人脸表情识别方法,包括步骤:一,对图像库中已有的人脸表情图像进行样本集训练,并采用逆向云生成器得到每组人脸表情图像的云数字特征值;二,将待识别人脸表情图像读取成数据矩阵;三,将待识别人脸表情图像添入到人脸表情样品集中任一组人脸表情图像A中,得到一组新人脸表情图像A1,采用逆向云生成器得到该组新人脸表情图像A1的云数字特征值;四,比较一组人脸表情图像A和一组新人脸表情图像A1的云数字特征值,并依据两组云数字特征值的前后差异判定待识别人脸表情图像所属类别。本发明方法运用云模型提取人脸表情图像的云数字特征,并对所提取的云数字特征进行对比与分析,从而实现人脸表情识别。

    权利要求书

    1.一种基于云模型的人脸表情识别方法,其特征在于,包括以下步骤:步骤一,对图像库中已有的人脸表情图像进行样本集训练,该样本集训练分为两类:不同人的同一种表情和同一人的不同表情,即表情类和人脸类,并采用逆向云生成器提取样本集中每组人脸表情图像的云数字特征值????????????????????????????????????????????????;步骤二,将待识别的人脸表情图像读取成数据矩阵;步骤三,将待识别人脸表情图像添入到步骤一中所得的人脸表情样本集中任一组人脸表情图像A中,得到一组新的人脸表情图像A1,采用逆向云生成器得到该组新人脸表情图像A1的云数字特征值;步骤四,比较一组人脸表情图像A和步骤三所得一组新人脸表情图像A1的云数字特征值,并依据两组云数字特征值的前后差异判定待识别人脸表情图像所属类别,若期望值和超熵值的前后差异不大于0.34+0.0010,且熵值的前后差异不大于0.34+0.0020,则待识别人脸表情图像与一组人脸表情图像A匹配;否则,将待识别人脸表情图像添入到步骤一中所得的人脸表情样品集中另一组人脸表情图像A’中,重复步骤三~四,直至找到与待识别人脸表情图像匹配的一组人脸表情图像。2.根据权利要求1所述的基于云模型的人脸表情识别方法,其特征在于:所述的步骤一中的图像库为JAFFE库。3.根据权利要求1或2所述的基于云模型的人脸表情识别方法,其特征在于:所述的逆向云发生器采用基于拟合的逆向云发生器算法。4.根据权利要求1或2所述的基于云模型的人脸表情识别方法,其特征在于:所述的步骤一中提取样本集中每组人脸表情图像的云数字特征值进一步包括以下子步骤:1.1将表情类和人脸类中每组人脸表情图像分别读取成数据矩阵;1.2采用逆向云发生器对步骤1.1中所得的每组数据矩阵分别进行图像特征提取,并获得每组数据矩阵所对应的人脸表情图像的云数字特征值。5.根据权利要求1或2所述的基于云模型的人脸表情识别方法,其特征在于:所述步骤二中将待识别人脸表情图像读取成数据矩阵前对其进行除噪音处理。

    说明书

    一种基于云模型的人脸表情识别方法

    技术领域

    本发明涉及人脸表情识别技术领域,尤其涉及一种基于云模型的人脸表情识
    别方法。

    背景技术

    云模型具有宏观精确、微观模糊、宏观可控、微观不可控的特点,其本质单
    位是云滴组成的概念云,思想是兼顾了随机性和模糊性。它把自然语言中的随机
    性和模糊性有机地综合在一起,构成定性和定量相互间的映射,不但突破了概率
    统计中“硬计算”的局限性,而且解决了作为模糊集理论基石的隶属函数的固有
    缺陷,破除了粗集边界集的局限性,提供了一套解决数据挖掘中不确定性问题的
    新方法和新技术。云模型作为一种一般性的数学理论,巧妙地实现了定性定量之
    间的自由数学转换,其方法和技术发展至今,已经被广泛成功地应用于知识发现、
    空间数据挖掘、智能控制和大系统效能评估中,解决或解释自然、社会的问题或
    现象,并取得了显著的成效。

    云发生器(Cloud?Generator,简称CG)指云模型的生成算法。云发生器建
    立起定性和定量之间相互联系、相互依存、性中有量、量中有性的映射关系,主
    要包括正向云发生器、逆向云发生器、X条件云发生器和Y条件云发生器。

    逆向云发生器(Backward?Cloud?Generator)是实现数值和其语言值之间的不
    确定性转换模型,是从定量到定性的映射。它将一定数量的精确数据有效转换为
    以恰当的定性语言值{Ex,En,He}表示的概念,并据此代表这些精确数据所反映
    的云滴整体。云滴对应精确数据的数量越多,反映的概念越确切。逆向云发生器
    是一个逆向的、间接的云生成过程,它把给定的符合某一分布规律的一组云滴
    Drop(xi,CT(xi))作为样本,Drop(xi,CT(xi))表示第i个云滴xi在数域空间的定
    量位置及第i个云滴xi代表该概念的确定度CT(xi),并产生描述云模型所对应的
    定性概念的三个数字特征(Ex,En,He),如图1所示。通过正向云发生器和逆向云
    发生器,云模型就建立起了定性和定量之间相互联系、相互依存、性中有量、量
    中有性的映射关系。

    逆向云发生器的输入为Drop(x1,CT(x1))、
    Drop(x2,CT(x2))、......Drop(xN,CT(xN)),输出为(Ex,En,He,N),下面是基于
    拟合的逆向云发生器的具体算法:

    (1)输入Drop(x1,CT(x1))、Drop(x2,CT(x2))、......Drop(xN,CT(xN));

    (2)将云期望方程线性化,转化为以云滴为观测值、以
    期望和熵为未知参数的观测方程,形成数据平差的误差方程组,然后采用间接平
    差法进行求解,得到期望值的最小二乘拟合值

    (3)根据步骤(2)所得期望值的最小二乘拟合值并根据公式
    计算熵的样本;

    (4)根据公式计算熵值

    (5)根据公式 H ^ e = 1 n - 1 Σ i = 1 n ( E n i - E ^ n ) 2 ]]>计算超熵

    (6)根据步骤(2)、(4)、(5)的结果输出

    作为生物特征识别与情感计算领域一个极富挑战性的交叉课题,人脸表情识
    别技术在各种应用的推动下发展很快,人脸表情识别系统主要包括以下几个环
    节:人脸表情图像的获取、人脸检测、人脸表情特征提取和人脸表情的识别,其
    结构图如图2所示。对于一个人脸表情自动识别系统来说,首先是要获取人脸表
    情的静态图像或表情图像序列;第二步是对表情图像进行预处理,包括人脸检测
    和图像归一化;第三步是对预处理后的人脸表情图像进行人脸特征提取,人脸特
    征提取包括原始特征获取、特征降维及提取、特征分离;第四步是表情识别,即
    根据所提取的特征依照某种准则对表情进行分类。

    人脸表情识别是计算机视觉、情感计算和图像处理等研究领域的一个热点课
    题,可以广泛应用在人机交互、多媒体制作、测谎、安全保密、医疗辅助、行为
    科学等领域。国内外学者对人脸表情识别展开了深入研究,主要的研究成果有:
    基于一个专家系统分析人脸表情,进而得到基于表情的情感分类;基于脸部表情
    行为的人脸表情识别;基于小波分析和支持向量机的人脸表情识别。目前,人脸
    表情作为生物特征识别技术也有其固有的缺陷,这主要表现在:

    (1)人脸特征稳定性较差

    尽管面部通常不会发生根本性的变化(故意整容除外),但人脸是有极强可
    塑性的三维柔性皮肤表面,会随着表情、年龄等的变化而发生改变,皮肤的特性
    也会随着年龄、化妆乃至整容、意外伤害等发生很大变化。

    (2)可靠性、安全性较低

    尽管不同个体的人脸各不相同,但人类的面孔总体是相似的,而且地球上人
    口如此众多,以致很多人的面孔之间的差别是非常微妙的,技术上实现安全可靠
    的认证是有相当难度的。

    (3)图像采集受各种外界条件影响很大,因此识别性能偏低

    图像的摄制过程决定了人脸图像识别系统必须面对不同的光照条件、视角、
    距离变化等非常困难的视觉问题,这些成像因素都会极大影响人脸图像的表观,
    从而使得识别性能不够稳定。

    这些缺点使得人脸识别成为一个非常困难的挑战性课题,尤其是在用户不配
    合、非理想采集条件下的人脸识别问题,更成为目前的热点问题。目前,世界上
    最好的人脸识别系统也只能在用户比较配合、采集条件比较理想的情况才可以基
    本满足一般应用的要求。当然,随着技术的进步,相信这些问题也应该可以逐步
    解决,从而使得人脸识别技术能够更好的满足公众的期望。

    发明内容

    针对现有技术存在的不足,本发明提供了一种基于云模型的人脸表情识别方
    法,该方法应用云模型挖掘人脸表情图像中所隐含的知识,并提取基于云模型的
    人脸表情特征,从而实现人脸表情识别。

    为了解决上述技术问题,本发明采用如下的技术方案:

    一种基于云模型的人脸表情识别方法,包括以下步骤:

    步骤一,对图像库中已有的人脸表情图像进行样本集训练,该样本集训练分
    为两类:不同人的同一种表情和同一人的不同表情,即表情类和人脸类,其中,
    每一类样本集中分别有多组人脸表情图像,采用逆向云生成器提取样本集中每组
    人脸表情图像的云数字特征值{Ex,En,He};

    步骤二,将一张待识别的人脸表情图像读取成数据矩阵;

    步骤三,将待识别人脸表情图像添入到步骤一中所得的人脸表情样品集中任
    一组人脸表情图像A中,得到一组新的人脸表情图像A1,采用逆向云生成器得
    到该组新人脸表情图像A1的云数字特征值{Ex,En,He};

    步骤四,比较一组人脸表情图像A和步骤三所得一组新人脸表情图像A1的
    云数字特征值,并依据两组云数字特征值的前后差异判定待识别人脸表情图像所
    属类别,若期望值Ex和超熵值He的前后差异不大于0.34+0.0010,且熵值En的
    前后差异不大于0.34+0.0020,则待识别人脸表情图像与一组人脸表情图像A匹
    配;否则,将待识别人脸表情图像添入到步骤一中所得的人脸表情样品集中另一
    组人脸表情图像A中,重复步骤三~四,直至找到与待识别人脸表情图像匹配的
    一组人脸表情图像。

    上述步骤一中的图像库为JAFFE库。

    上述步骤一和步骤三中的逆向云发生器采用基于拟合的逆向云发生器算法。

    上述步骤一中采用逆向云发生器提取样本集中每组人脸表情图像的云数字
    特征值{Ex,En,He}进一步包括以下子步骤:

    1.1将表情类和人脸类中每组人脸表情图像分别读取成数据矩阵;

    1.2采用逆向云发生器对步骤1.1中所得的每组数据矩阵分别进行图像特征
    提取,并获得每组数据矩阵所对应的人脸表情图像的云数字特征值{Ex,En,He}。

    上述步骤二中将待识别人脸表情图像读取成数据矩阵前对其进行除噪音处
    理。

    与现有技术相比,本发明方法具有以下优点和有益效果:

    1、本发明方法从一个全新的角度研究人脸表情识别,即应用云模型算法,
    提取人脸表情的三个云数字特征{Ex,En,He},并且基于这三个云数字特征,实
    现人脸表情识别;

    2、本发明方法从云模型中的逆向云发生器算法中充分挖掘出人脸表情图像
    中的云数字特征{Ex,En,He},并揭示了人脸表情图像中所隐含的知识,即Ex:
    代表了人脸图像的共性;En:个性知识偏离一般共性知识的程度;He:偏离程
    度的离散度。通过这些知识的表述,可以从更深层次去分析人脸表情,从而为人
    脸表情识别的研究提供了一定的理论基??;

    3、本发明方法采用了基于拟合的逆向云发生器算法,该算法在识别上比基
    于均值化的逆向云发生器更为有效。

    附图说明

    图1为逆向云发生器的输入输出图;

    图2为人脸表情识别系统图;

    图3为本发明方法的流程框图;

    图4是待识别的人脸图像。

    具体实施方式

    云模型作为不确定性知识的数学转换模型,把模糊性和随机性集成在一起,
    构成定性和定量相互间的映射。而人脸表情也是不确定性数据中的一种,运用云
    模型技术实现人脸表情识别,这是本发明的核心。

    云模型中的逆向云发生器算法充分挖掘出人脸表情图像中的云数字特征
    {Ex,En,He},本发明借助于云模型中的云数字特征{Ex,En,He},揭示了人脸表
    情图像中所隐含的知识,即Ex代表了人脸图像的共性;En代表了个性知识偏离
    一般共性知识的程度;He代表了偏离程度的离散度。在剖析了人脸图像所隐含
    知识的同时,本发明方法借助于云模型提取出人脸表情图像的云数字特征{Ex,
    En,He},运用这组云数字特征实现人脸表情识别。

    本发明是基于云模型的人脸表情识别方法,该方法应用云模型挖掘人脸表情
    图像中所隐含的知识,并提取基于云模型的人脸表情特征,从而实现人脸表情识
    别。下面将详细说明本发明方法,具体步骤如下:

    步骤一,对图像库中已有的人脸表情图像进行样本集训练,该样本集训练分
    为两类:不同人的同一种表情和同一人的不同表情,即表情类和人脸类,图像库
    中有各种不同人的不同表情图像,将不同人的同一种表情图像作为一组,即构成
    样本集的表情类,将同一人的不同表情图像作为一组,即构成样本集的人脸类。
    所以,每一类样本集中分别有多组人脸表情图像,采用逆向云生成器提取样本集
    中每组人脸表情图像的云数字特征值{Ex,En,He};

    上述采用逆向云生成器算法提取样本集中每组人脸表情图像的云数字特征
    值{Ex,En,He}进一步包括以下子步骤:

    1.1将表情类和人脸类中每组人脸表情图像分别读取成数据矩阵;

    1.2采用逆向云发生器对步骤1.1中所得的每组数据矩阵分别进行图像特征
    提取,并获得每组数据矩阵所对应的人脸表情图像的云数字特征值{Ex,En,He}。

    步骤1.2中所采用的逆向云发生器的输入为一系列云滴Drop(x1,CT(x1))、
    Drop(x2,CT(x2))、......Drop(xN,CT(xN)),输出为(Ex,En,He,N),其是采用基于
    拟合的逆向云发生器算法,具体如下:

    (7)输入Drop(x1,CT(x1))、Drop(x2,CT(x2))、......Drop(xN,CT(xN));

    (8)将云期望方程线性化,转化为以云滴为观测值、以
    期望和熵为未知参数的观测方程,形成数据平差的误差方程组,然后采用间接平
    差法进行求解,得到期望值的最小二乘拟合值

    (9)根据步骤(2)所得期望值的最小二乘拟合值并根据公式
    En i = | x i - E x ^ | - 2 ln ( C T ( x ) ) ]]>计算熵的样本;

    (10)根据公式计算熵值

    (11)根据公式 H ^ e = 1 n - 1 Σ i = 1 n ( E n i - E ^ n ) 2 ]]>计算超熵

    (12)根据步骤(2)、(4)、(5)的结果输出

    上述算法对应的程序样例如下:

    生成输入人脸表情图像期望值的程序样例为:

    AveImage1=SelectAveImage(Images,Num,1);

    生成输入人脸表情图像熵值的程序样例为:

    stdImage1=CalculateStdImage(Images,AveImage1,Num,1,1);

    生成输入人脸表情图像超熵值的程序样例为:

    HeImage1=CalculateReVarianceImage(1,stdImage?1,1)。

    步骤二,将一张待识别的人脸表情图像读取成数据矩阵,该步骤采用的程序
    样例为[Images,Num]=ExtractMatrixFromImage()。作为优选,可以在将待识别人
    脸表情图像读取成数据矩阵前对其进行除噪音处理,这样可以提高人脸表情识别
    的准确性。

    步骤三,将待识别人脸表情图像添入到步骤一中所得的人脸表情样品集中任
    一组人脸表情图像A中,得到一组新的人脸表情图像A1,采用逆向云生成器得到
    该组新人脸表情图像A1的云数字特征值{Ex,En,He},逆向云发生器是采用基于
    拟合的逆向云发生器算法,同步骤一中所采用的逆向云发生器。

    步骤四,比较一组人脸表情图像A和步骤三所得一组新人脸表情图像A1的
    云数字特征值,并依据两组云数字特征值的前后差异判定待识别人脸表情图像所
    属类别,若期望值Ex和超熵值He的前后差异不大于0.34+0.0010,且熵值En的
    前后差异不大于0.34+0.0020,则待识别人脸表情图像与一组人脸表情图像A匹
    配;否则,将待识别人脸表情图像添入到步骤一中所得的人脸表情样品集中另一
    组人脸表情图像A中,重复步骤三~四,直至找到与待识别人脸表情图像匹配的
    一组人脸表情图像。

    以下将结合实施例具体说明本发明方法的应用:

    本实施例中所用人脸表情图像大多数来自于JAFFE(Japanese?Female?Facial?
    Expression)库。JAFFE库是一个开放的人脸表情图像数据库
    //www.kasrl.org/jaffe_download.html,包括KA、KL、KM、KR、MK、NA、
    NM、TM、UY、YM共10个不同的日本女性,每个人有AN、DI、FE、HA、
    NE、SA、SU共7种不同的表情,每种表情有3或4张样本图像,总数是216
    张人脸表情图像。

    首先,对JAFFE库中的人脸表情图像进行样品集训练,该样品集训练分为
    两类:不同人的同一表情和同一人的不同表情,即表情类和人脸类,该步骤具体
    如下:

    1-1、同一人的不同表情的云数字特征提取

    在JAFFE库中选定图像库中的KA,把她的AN、DI、FE、HA、NE、SA、
    SU等7种表情图像作为一组,并将该组人脸表情图像读取成数据矩阵;以数据
    矩阵为输入,运用基于拟合的逆向云发生器算法的逆向云发生器对该组数据矩阵
    所对应的人脸表情图像进行图像特征提取,获得KA的7种表情图像的云数字特
    征值{Ex,En,He},结果如表1的第1行第9~11列所示。

    采用上述相同的方法分别得到JAFFE库中的KL、KM、KR、MK、NA、NM、
    TM、UY、YM等9个不同日本女性的7种表情图像的云数字特征值{Ex,En,He},
    结果分别如表1的第2行、第3行、第4行、第5行、第6行、第7行、第8
    行、第9行、第10行的第9~11列所示。

    1-2、不同人的相同表情的云数字特征提取

    在JAFFE库中选定AN表情,把KA、KL、KM、KR、MK、NA、NM、TM、
    UY、YM等10个不同日本女性的AN表情图像作为一组,并将该组人脸表情图
    像读取成数据矩阵;以数据矩阵为输入,运用基于拟合的逆向云发生器算法的逆
    向云发生器对该组数据矩阵所对应的人脸表情图像进行图像特征提取,获得该组
    人脸表情图像的云数字特征值{Ex,En,He},结果如表1第1列第12~14行所示。

    采用上述相同的方法分别得到JAFFE库中KA、KL、KM、KR、MK、NA、
    NM、TM、UY、YM等10个不同日本女性的DI、FE、HA、NE、SA、SU等6
    种不同的表情图像的云数字特征值{Ex,En,He},结果分别如表1的第2列、第3
    列、第4列、第5列、第6列、第7列第12~14行所示。

    表1所示为对JAFFE库中人脸表情图像进行样品集训练的结果,其中每行的
    含义表示:输入的是同一个人的七种不同表情,输出的是这组输入图像的云数字
    特征{Ex,En,He};每列的含义表示:输入的是十个人的同一种表情,输出是这
    组输入图像的云数字特征{Ex,En,He}。

    表1人脸表情样本集训练


    其次,现有一张待识别的人脸表情图像,如图4所示,将待识别人脸表情图
    像读取成数据矩阵;在待识别人脸表情图像读取成数据矩阵之前,可以对待识别
    人脸表情图像进行除噪音处理,这样使得识别结果更准确。

    接着,将待识别的人脸表情图像添入到步骤一中所得的人脸表情样品集中的
    任一组人脸表情图像A中,得到一组新的人脸表情图像A1,采用基于拟合的逆
    向云发生器算法的逆向云生成器得到该组新人脸表情图像A1的云数字特征值
    {Ex,En,He}。

    步骤四,比较一组人脸表情图像A和步骤三所得一组新人脸表情图像A1的
    云数字特征值,并依据两组云数字特征值的前后差异判定待识别人脸表情图像所
    属类别,判定方法如下:若期望值Ex和超熵值He的前后差异不大于0.34+0.0010,
    且熵值En的前后差异不大于0.34+0.0020,则待识别人脸表情图像与一组人脸表
    情图像A匹配;否则,将待识别人脸表情图像添入到步骤一中所得的人脸表情
    样品集中另一组人脸表情图像A中,重复步骤三~四,直至找到与待识别人脸表
    情图像匹配的一组人脸表情图像。

    下面将选取表1所示人脸表情样本集中KA和KL的7种表情的两组人脸表
    情图像来进一步说明步骤四,如表2所示。

    表2两组原始人脸表情图像


    选取表2中第一行的一组图像记为第一组人脸表情图像KA,其云数字特征
    值{Ex,En,He}图像如表1第1行第9~11列所示;将图4所示待识别人脸表情图
    像添入到第一组人脸表情图像KA中,记为第二组人脸表情图像KA1,运用基于
    拟合的逆向云发生器算法的逆向云发生器得到第二组人脸表情图像KA1的云数
    字特征值{Ex,En,He},其对应的云数字特征图像如表3第2列所示;比较第一
    组人脸表情图像KA和第二组人脸表情图像KA1的云数字特征值{Ex,En,He},
    表3第4列显示了这两组人脸表情图像的云数字特征值{Ex,En,He}差图像及其
    数值差异。

    选取表2中第二行的一组图像记为第三组人脸表情图像KL,其云数字特征
    值{Ex,En,He}图像如表1第2行第9~11列所示;将图4所示待识别人脸表情图
    像添入到第三组人脸表情图像KL中,记为第四组人脸表情图像KL1,运用基于
    拟合的逆向云发生器算法的逆向云发生器得到第四组人脸表情图像KL1的云数
    字特征值{Ex,En,He},其对应的云数字特征图像如表3第3列所示;比较第三
    组人脸表情图像KL和第四组人脸表情图像KL1的云数字特征值{Ex,En,He},
    表3第5列显示了这两组人脸表情图像的云数字特征值{Ex,En,He}差图像及其
    数值差异。

    表3对比结果


    运用Matlab技术对所得表3的第4列和第5列图像进行数值化处理,样例程
    序:Number=Tonumber(Images);结果分别记录在相对应图像的等号后面。在本
    实验中,根据算法精度,设置了相应阈值如下:期望值的前后数值差异在
    (0~0.34+0.0010)时,则可以判定期望的差图像符合匹配要求,否则不匹配;熵
    值的的前后数值差异在(0~0.34+0.0020)时,则可以判定熵的差图像符合匹配要
    求,否则不匹配;超熵值的的前后数值差异在(0~0.34+0.0010)时,则可以判定
    超熵的差图像符合匹配要求,否则不匹配;当且仅当期望值、熵值、超熵值的的
    前后数值差异均符合匹配要求,该待识别人脸表情图像才符合匹配要求。

    从表3的第4列和第5列可以看出第一组和第二组人脸表情图像的云数字特
    征值{Ex,En,He}数值差异分别小于0.34+0.0010,0.34+0.0020,0.34+0.0010,而
    第三组和第四组人脸表情图像的云数字特征值{Ex,En,He}数值差异分别大于
    0.34+0.0010,0.34+0.0020,0.34+0.0010,因此,待识别人脸表情图像与KA这
    个人更匹配。而事实也是如此。

    本实施例在一定程度上验证了本发明方法的可行性,说明了采用云模型技术
    是能够有效地实现人脸表情图像识别。本发明方法深化了对人脸表情识别的认
    知,同时也进一步拓展了云模型的应用领域。

    关于本文
    本文标题:一种基于云模型的人脸表情识别方法.pdf
    链接地址://www.4mum.com.cn/p-5870719.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 中国体肓彩票官方网站 时时彩注码法 手机网赌惨痛经历 双色球10000期历史开奖汇总 双色球61必中计划软件 双色球历史开奖结果 全天时时彩最准计划软件手机版 七星彩万能8码 前三组选包胆是什么意思? 七星彩购买网站 功夫时时彩计划软件 内蒙古时时综合走势图百度百度贴吧 时时彩稳赚的倍投方案 一分赛车微信计划群 1000元倍投方案稳赚 北京pk10微信群全天计划