重磅干货,第一时间送达
人脸表情识别(Facial Expression Recognition)
人脸表情识别是指从给定的静态图像或动态视频序列中分离出特定的表情状态,从而确定被识别对象的心理情绪。
人脸表情识别技术主要的应用领域包括人机交互、智能控制、安全、医疗、通信等领域。
本文简单介绍两篇关于应用深度学习技术在人脸表情识别方向上的论文给大家~希望有助于你进一步学习。
《Which Facial Expressions Can Reveal Your Gender? A Study With 3D Faces》
CVPR 2018
Abstract:人类在外表和行为方面都表现出丰富的性别暗示。在计算机视觉领域,已经广泛研究了面部外观的性别线索(cue),而基于面部行为的性别识别研究仍然很少。在这项工作中,我们首先证明面部表情会影响3D面部中呈现的性别模式,并且在同一表达式中训练和测试时性别识别性能会提高。此外,我们设计的实验直接提取面部表情形成的形态变化作为特征,用于基于表达的性别识别。实验结果表明,在快乐和厌恶表达中,性别可以相当准确地被识别,而惊喜和悲伤表达不会传达很多与性别相关的信息。这是文献中第一部用3D面部研究基于表达的性别分类的工作,揭示了不同类型表达中包含的性别模式的强度,即快乐,厌恶,惊喜和悲伤的表达。
arXiv:https://arxiv.org/abs/1805.00371
《Unsupervised Features for Facial Expression Intensity Estimation over Time》
CVPR 2018
Abstract:脸部形状和人物运动的多样性是面部表情自动分析的最大挑战之一。在本文中,我们提出描述表达强度(expression intensity)随时间变化的特征(feature),同时对人和所表达的类型不变。我们的功能是适应整体表达 trajectory的多点动态加权组合。我们在几个都与时间分析面部表情有关的任务上评估我们的方法。所提出的特征与用于表达强度估计的最先进的方法进行比较,其表现优于其。我们使用我们提出的特征来暂时对齐记录的3D面部表情的多个序列。此外,我们展示了我们的特征如何用于揭示面部表情中人的特定差异。此外,我们应用我们的特征来识别基于动作单元标签的脸部视频序列中的局部变化。对于所有的实验,我们的特征证明对噪声和异常值具有很强的鲁棒性,使其适用于各种面部运动分析应用。
arXiv:https://arxiv.org/abs/1805.00780
领取专属 10元无门槛券
私享最新 技术干货