基于监督超向量编码和自适应GMM的人脸表情识别方法

doi:10.3969/j.issn.1006-2475.2016.02.004

计算机与现代化

基于监督超向量编码和自适应GMM的人脸表情识别方法

无锡太湖学院工学院，江苏无锡214064

收稿日期:2015-08-10 出版日期:2016-03-02 发布日期:2016-03-03
作者简介: 李荣（1978-），女，江苏淮安人，无锡太湖学院工学院讲师，硕士，研究方向：图像处理，模式识别；王华君（1979-），男，江苏宜兴人，讲师，硕士，研究方向：图像处理，模式识别；徐燕华（1979-），女，江苏无锡人，讲师，硕士，研究方向：图像处理，模式识别；孟德建（1979-），男，江苏扬州人，讲师，博士，研究方向：图像处理，移动互联感知，视频处理。
基金资助:
江苏省高校自然科学研究项目（14KJB520036）

A Face Expression Recognition Method Based on Fusion of Supervised #br# Super-vector Encoding and Adaptive GMM Model

School of Engineering, Taihu University of Wuxi, Wuxi 214064, China

Received:2015-08-10 Online:2016-03-02 Published:2016-03-03

摘要/Abstract

摘要： 针对不同状态和光照条件下的人脸表情识别问题，提出一种基于自适应高斯混合模型（GMM）融合监督式超级向量编码算法。首先，提取重叠图像块；然后，通过自适应GMM提取每个图像块的局部描述子，将图像低维特征映射到高维空间；最后，利用有监督的超级向量编码完成人脸表情识别。在Multi-PIE和BU3D-FE多视点人脸表情数据库上的实验结果显示，本算法在Multi-PIE和BU3D-FE人脸库上的识别率可分别高达91.8%、95.6%，识别一个样本所耗时间仅为0.142 s。相比其他几种较新的算法，本算法取得了更高的识别率，且大大降低了识别所耗时间。

关键词: , 人脸表情识别, 自适应, 高斯混合模型, 监督学习, 超级向量编码

Abstract: Facial expression recognition under different lighting conditions and states is a challenging research. A fusion algorithm based on adaptive Gaussian Mixture Model (GMM) and supervised super-vector encoding is proposed. Firstly, the overlapping image blocks are extracted. Then, local descriptor from each block is extracted by the adaptive GMM so as to map images in low-dimensional space to high-dimensional space. Finally, supervised super-vector encoding is used to do classification training. Experimental results on the Multi-PIE and BU3D-FE multi-view facial expression databases show that the recognition accuracy of proposed algorithm can achieve 91.8% and 95.6% respectively on Multi-PIE and BU3D-FE. It takes only 0.142 seconds in identifying a sample on BU3D-FE. Proposed algorithm has higher recognition accuracy and less recognition time-consuming than several other excellent algorithms.

Key words: facial expression recognition, adaptive, Gaussian Mixture Model(GMM), supervised learning, super-vector encoding

李荣，王华君，徐燕华，孟德建. 基于监督超向量编码和自适应GMM的人脸表情识别方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2016.02.004.

LI Rong, WANG Hua-jun, XU Yan-hua, MENG De-jian. A Face Expression Recognition Method Based on Fusion of Supervised #br# Super-vector Encoding and Adaptive GMM Model[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2016.02.004.

参考文献

(1):96-105.
［2］ Wan Shaohua, Aggarwal J K. A scalable metric learning-based voting method for expression recognition［C］// The 10th IEEE International Conference on Automatic Face and Gesture Recognition(FG). 2013:1-8.
［3］胡敏,朱弘,王晓华,等. 基于梯度Gabor直方图特征的表情识别方法［J］. 计算机辅助设计与图形学学报, 2013,25(12):1856-1861.
［4］张智斌,朱俊勇,郑伟诗,等. 基于二维局部鉴别高斯的特征提取方法［J］. 计算机科学, 2014,41(6):275-277.
［5］ Zheng Wenming, Tang Hao, Huang T S. Emotion recognition from non-frontal facial images［M］// Emotion Recognition: A Pattern Analysis Approach. Wiley, 2015:183-213. 
［6］ Zheng Wenming, Tang Hao, Lin Zhouchen, et al. A novel approach to expression recognition from non-frontal face images［C］// International Conference on Computer Vision. 2009:1901-1908.
［7］ Tang Hao, Hasegawa-Johnson M, Huang T S. Non-frontal view facial expression recognition based on ergodic hidden Markov model super vectors［C］// IEEE International Conference on Multimedia and Expo (ICME). 2010:1202-1207. 
［8］ Tariq U, Yang Jianchao, Huang T S. Maximum margin GMM learning for facial expression recognition［C］// The 10th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition(FG). 2013:1-6.
［9］ Boureau Y L, Bach F, LeCun Y, et al. Learning mid-level features for recognition［C］// IEEE Conference on Computer Vision and Pattern Recognition. 2010:2559-2566.
［10］李峰,王正群,周中侠,等. 半监督的稀疏保持二维边界Fisher分析降维算法［J］. 计算机辅助设计与图形学学报, 2014,26(6):923-931.
［11］Zhou Xi, Cui Na, Li Zhen, et al. Hierarchical gaussianization for image classification［C］// IEEE 12th International Conference on Computer Vision. 2009:1971-1977.
［12］Perronnin F. Universal and adapted vocabularies for generic visual categorization［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008,30(7):1243-1256.
［13］文乔龙,万遂人,徐双. Fisher准则和正则化水平集方法分割噪声图像［J］. 计算机研究与发展, 2012,49(6):1339-1347.
［14］Lian Xiaochen, Li Zhiwei, Lu Baoliang, et al. Max-margin dictionary learning for multiclass image categorization［C］// The 11th European Conference on Computer Vision. 2010:157-170.
［15］Zhou Xi, Zhuang Xiaodan, Yan Shuicheng, et al. SIFT-Bag kernel for video event analysis［C］// Proceedings of the 16th International Conference on Multimedia. 2008:229-238.
［16］Fan Rongen, Chang Kaiwei, Hsieh C J, et al. LIBLINEAR: A library for large linear classification［J］. Journal of Machine Learning Research, 2008,9(9):1871-1874.
［17］Gross R, Matthews I, Cohn J, et al. Multi-PIE［J］. Image and Vision Computing, 2010,28(5):807-813.
［18］詹曙,张启祥,蒋建国,等. 基于Gabor特征核协作表达的三维人脸识别［J］. 光子学报, 2013,42(12):1448-1453.
［19］Zheng Wenming, Tang Hao, Lin Zhouchen, et al. Emotion recognition from arbitrary view facial images［C］// The 11th European Conference on Computer Vision. 2010:490-503.

[1]	彭宗玉, 黄开启, 苏建华, 王丽丽. 基于无模型自适应控制的视觉伺服[J]. 计算机与现代化, 2024, 0(01): 29-34.
[2]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[3]	李颖颖, 黄文培. 基于优化八叉树的场景视锥体裁剪算法[J]. 计算机与现代化, 2024, 0(01): 103-108.
[4]	林威. 基于自监督学习和数据回放的新闻推荐模型增量学习方法[J]. 计算机与现代化, 2023, 0(12): 1-6.
[5]	夏千涵, 何胜煌, 吴元清, 赵乐乐. 基于可学习记忆特征金字塔网络的小样本目标检测[J]. 计算机与现代化, 2023, 0(12): 7-13.
[6]	宁娟, 周庆华, 曾小为. 改进YOLOv7算法在西林瓶轧盖缺陷检测中的应用[J]. 计算机与现代化, 2023, 0(12): 82-86.
[7]	卢磊, 贺智明, 黄志成. 基于多策略改进的麻雀搜索算法[J]. 计算机与现代化, 2023, 0(10): 23-31.
[8]	刘显茁, 邓韦斯, 谢恩彦. 考虑分布式发电并网的配电网自适应保护系统[J]. 计算机与现代化, 2023, 0(09): 120-126.
[9]	张美的, 余顺园. 基于局部自适应伽马校正低照度图像增强[J]. 计算机与现代化, 2023, 0(08): 74-78.
[10]	朱剑波, 葛明锋, 董文飞. 基于改进EfficientNet的阿尔兹海默症图像分类[J]. 计算机与现代化, 2023, 0(06): 56-61.
[11]	刘聪, 聂芸, 王国伟. 空天三维仿真的实体多元表达方法[J]. 计算机与现代化, 2023, 0(04): 90-94.
[12]	乔善宝, 高永彬, 黄勃, 余文俊. 基于条件卷积与极化自注意力的单目深度与位姿估计[J]. 计算机与现代化, 2023, 0(02): 34-39.
[13]	蒋思清, 陈潇俊, 高豪俊, 何佳晋, 吴健, . 基于对抗域适应的心电信号深度学习分类算法[J]. 计算机与现代化, 2023, 0(01): 81-87.
[14]	李静元, 张珂, 杨东裕. 基于雾计算的工业互联网安全数据访问方法[J]. 计算机与现代化, 2022, 0(12): 118-122.
[15]	刘缨杰, 兰海, 魏宪. 基于卷积与稀疏编码的半监督学习方法[J]. 计算机与现代化, 2022, 0(11): 9-16.

基于监督超向量编码和自适应GMM的人脸表情识别方法

A Face Expression Recognition Method Based on Fusion of Supervised #br# Super-vector Encoding and Adaptive GMM Model

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价