-
公开(公告)号：CN106599854A
公开(公告)日：2017-04-26
申请号：CN201611174690.8
申请日：2016-12-19
Applicant: 河北工业大学
Abstract: 本发明基于多特征融合的人脸表情自动识别方法，涉及识别图形的方法，是一种融合人脸表情图像和人脸表情重要区域图像的Gabor特征以及多尺度ACILBP特征直方图的方法，步骤是：人脸表情图像及人脸表情重要区域图像预处理；对人脸表情图像和人脸表情重要区域图像分别提取Gabor特征，并赋予不同权值，融合得到两层人脸表情图像的Gabor特征；利用ACILBP算子提取多尺度ACILBP特征直方图；特征融合得到人脸表情特征数据；采用SVM分类器进行人脸表情的训练和预测，实现人脸表情自动识别。本发明克服了现有技术普遍存在对光照和噪声的鲁棒性差，没有考虑局部信息与整体信息的充分利用因而识别率低下的缺陷。
-
Patent Agency Ranking
公开(公告)号：CN111209918B
公开(公告)日：2022-04-05
申请号：CN202010008328.3
申请日：2020-01-06
Applicant: 河北工业大学
IPC: G06V10/46 , G06V10/26 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06T3/40
Abstract: 本发明是一种图像显著性目标检测方法，涉及图像分析的区域分割，是基于多图模型先验和短连接网络优化的图像显著性检测方法，该方法是对每张输入图像利用颜色和位置信息，计算KNN图模型和K正则图模型，得到在KNN图模型下的显著图S1和在K正则图模型下的显著图S2，再将KNN图模型和K正则图模型进行像素级别的融合，得到原图像的初始显著图S3，利用短连接网络优化初始显著图S3，获得原图像的最终的显著图Sfinal，完成图像显著性目标检测，克服了图像显著性目标检测的现有技术中存在的显著目标检测不完整、当前景背景颜色相似时算法检测不准确的缺陷。
-
公开(公告)号：CN106599854B
公开(公告)日：2020-03-27
申请号：CN201611174690.8
申请日：2016-12-19
Applicant: 河北工业大学
Abstract: 本发明基于多特征融合的人脸表情自动识别方法，涉及识别图形的方法，是一种融合人脸表情图像和人脸表情重要区域图像的Gabor特征以及多尺度ACILBP特征直方图的方法，步骤是：人脸表情图像及人脸表情重要区域图像预处理；对人脸表情图像和人脸表情重要区域图像分别提取Gabor特征，并赋予不同权值，融合得到两层人脸表情图像的Gabor特征；利用ACILBP算子提取多尺度ACILBP特征直方图；特征融合得到人脸表情特征数据；采用SVM分类器进行人脸表情的训练和预测，实现人脸表情自动识别。本发明克服了现有技术普遍存在对光照和噪声的鲁棒性差，没有考虑局部信息与整体信息的充分利用因而识别率低下的缺陷。
-
公开(公告)号：CN112307958A
公开(公告)日：2021-02-02
申请号：CN202011186780.5
申请日：2020-10-30
Applicant: 河北工业大学 , 天津商业大学 , 天津市农业科学院信息研究所
Abstract: 本发明为基于时空外观运动注意力网络的微表情识别方法，该方法包括以下内容：对微表情样本进行预处理，得到固定帧数的原始图像序列和光流序列；构建时空外观运动网络，它包括时空外观网络STAN和时空运动网络STMN，STAN和STMN都采用CNN‑LSTM的结构进行设计，先用CNN模型学习微表情的空间特征，再用LSTM模型学习微表情的时间特征；在STAN和STMN的CNN模型中均引入分层卷积注意力机制，在低层网络上应用多尺度核空间注意力机制，在高层网络上应用全局双池化通道注意力机制，分别获得添加注意力机制的STAN网络和添加注意力机制的STMN网络；将原始图像序列输入到添加注意力机制的STAN网络中进行训练，将光流序列输入到添加注意力机制的STMN网络中进行训练，将二者的输出结果通过特征级联‑SVM进行集成实现微表情识别任务，提高微表情识别的准确率。
-
公开(公告)号：CN112307958B
公开(公告)日：2023-06-23
申请号：CN202011186780.5
申请日：2020-10-30
Applicant: 河北工业大学 , 天津商业大学 , 天津市农业科学院信息研究所
IPC: G06V40/16 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明为基于时空外观运动注意力网络的微表情识别方法，该方法包括以下内容：对微表情样本进行预处理，得到固定帧数的原始图像序列和光流序列；构建时空外观运动网络，它包括时空外观网络STAN和时空运动网络STMN，STAN和STMN都采用CNN‑LSTM的结构进行设计，先用CNN模型学习微表情的空间特征，再用LSTM模型学习微表情的时间特征；在STAN和STMN的CNN模型中均引入分层卷积注意力机制，在低层网络上应用多尺度核空间注意力机制，在高层网络上应用全局双池化通道注意力机制，分别获得添加注意力机制的STAN网络和添加注意力机制的STMN网络；将原始图像序列输入到添加注意力机制的STAN网络中进行训练，将光流序列输入到添加注意力机制的STMN网络中进行训练，将二者的输出结果通过特征级联‑SVM进行集成实现微表情识别任务，提高微表情识别的准确率。
-
公开(公告)号：CN111209918A
公开(公告)日：2020-05-29
申请号：CN202010008328.3
申请日：2020-01-06
Applicant: 河北工业大学
Abstract: 本发明是一种图像显著性目标检测方法，涉及图像分析的区域分割，是基于多图模型先验和短连接网络优化的图像显著性检测方法，该方法是对每张输入图像利用颜色和位置信息，计算KNN图模型和K正则图模型，得到在KNN图模型下的显著图S1和在K正则图模型下的显著图S2，再将KNN图模型和K正则图模型进行像素级别的融合，得到原图像的初始显著图S3，利用短连接网络优化初始显著图S3，获得原图像的最终的显著图Sfinal，完成图像显著性目标检测，克服了图像显著性目标检测的现有技术中存在的显著目标检测不完整、当前景背景颜色相似时算法检测不准确的缺陷。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
