面部表情识别算法

我相信许多用户对面部表情识别算法有很多疑问. 那么，面部表情识别算法到底是什么呢？云市场上有很多关于面部表情识别算法的介绍. 我想了解有关面部表情识别算法的更多信息. 内容欢迎单击云市场以了解更多信息，以下内容还将有更详细的介绍:

“情感”是人与人之间交流效果的反馈. 我们通常根据他人的面部表情来判断他们的情感态度，从而调整我们的行为和语言.

根据心理学家A. Mehrabia的研究，在人类的日常交流中，通过语言传递的信息仅占全部信息的7％，而通过面部表情传递的信息则达到55％. 这表明面部表情在交流中起着多么重要.

近年来，随着人工智能技术和面部识别技术的发展暴漫表情生成，越来越多的技术爱好者和技术公司开始探索表情识别技术. 通常认为，计算机和机器人可以像人类一样具有理解力. 表达情感的能力将从根本上改变人与计算机之间的关系，从而使计算机可以更好地为人类服务. 所谓表情识别是指将特定的表情状态从给定的静态图像或动态视频序列中分离出来，从而确定被识别物体的心理情绪.

那么计算机如何识别表情？今天，编辑将以EmotiW的视频情感分类挑战赛冠军Situ为例，为您进行分析.

该算法主要涉及四个模块，即卷积神经网络（CNN），长期和短期记忆网络（LSTM），面部关键点的几何特征和声音特征. 这四个不同的功能模块确保算法可以学习视频的多方信息.

CNN和LSTM是两种处理视频情绪的流行方法. 他们需要依赖大量的数据支持. 原地场景依赖于情感计算中积累的来进行深度学习模型的预训练. 在不同的深度学习网络中，单个视频帧中面部情感识别的准确率是:

网络

盗梦空间V3

DenseNet-121

DenseNet-161

DenseNet-201

预测准确率

82.79

83.86

83.27

79.75

使用由面部图片预先训练的深度学习模型，正在进行的视频情感分类的结构如下. 其中，使用两种方法对提取的CNN特征进行标准化. 此外，Situ场景在工程中还使用了一种行之有效的方法: 关键点的欧几里得距离. 该方法提取了人脸的一些高级特征，并使用关键点的几何变化来预测情绪变化. 这种方法被证明是可靠和有效的，并且不需要额外的数据集训练，这对结果有很大的影响. 过程是: 面部3D关键点检测，3D特征提取暴漫表情生成，平均值，标准差和最大值，SVM分类器训练. 具体过程如下:

在音频方面，Situ场景首次使用SoundNet的结构来预测声音:

通过上述各种算法模块的融合，原位场景中表情识别的平均准确率约为87％.

话虽如此，在哪些场景中可以应用面部表情识别？首先是智能营销方案，该方案通过面部表情解释客户的情绪并反馈客户满意度，从而改变他们的营销策略和营销方法. 在人机交互部分，机器人可以通过面部表情自主判断用户的情绪和心理，从而更好地为人类服务；常见的互动景，如表情符号，视频交互等. 心理学，虚拟现实和合成等其他领域也被认为具有潜在的应用价值.

除了这些，您还有什么其他想法？

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/ruanjian/article-267326-1.html