关分析特征融合的人脸表情识别方法

关分析特征融合的人脸表情识别方法
关分析特征融合的人脸表情识别方法

多特征描述及局部决策融合的人脸识别

第43卷第9期 光电工程V ol.43, No.9 2016年9月Opto-Electronic Engineering Sept, 2016 文章编号:1003-501X(2016)09-0001-08 多特征描述及局部决策融合的人脸识别 任福继1,2,李艳秋1,2,胡敏1,2,许良凤1,2 ( 1. 合肥工业大学计算机与信息学院,合肥 230009; 2. 情感计算与先进智能机器安徽省重点实验室,合肥 230009 ) 摘要:提出一种多特征描述及局部决策融合的人脸识别方法。首先利用独立成分分析算法构造全局互补子空间,对待测样本进行粗分类。然后利用三种不同定义的纹理描述算法构造局部互补子空间,获取粗分类难识别样本的后验概率值,最后依据其大小设置等级分数,得到待测样本在局部互补子空间上的精确分类。在ORL、Yale和FERET人脸库上的实验结果表明,本文方法能较好的描述图像特征且具有较高的识别率和较低的时间复杂度,与其他方法对比也表明了本文方法的有效性。 关键词:信号处理;多特征描述;决策融合;互补子空间;人脸识别 中图分类号:TP391.4 文献标志码:A doi:10.3969/j.issn.1003-501X.2016.09.001 Face Recognition Method Based on Multi Features Description and Local Fusion Classification Decision REN Fuji1,2,LI Yanqiu1,2,HU Min1,2,XU Liangfeng1,2 ( 1. School of Computer and Information, Hefei University of Technology, Hefei 230009, China; 2. Anhui Key Laboratory of Affective Computing and Advanced Intelligent Machines, Hefei 230009, China ) Abstract: A face recognition method is proposed based on multi features description and local fusion decision. Firstly, we use Independent Component Analysis (ICA) to construct the global complementary subspace to roughly classify the test samples. Then the texture descriptor algorithms under three different definitions are used to construct local complementary subspace to obtain the posterior probability of sample which is difficult to classify by rough classification. Finally, we get the precise classification result of test sample on the local complementary subspace through setting grade scores based on the value of the posterior probability. The experimental results on ORL, Yale and FERET face database show that the proposed method better describes characteristics of the image and has lower time complexity and higher recognition rate. Compared with other methods, it also proves its effectiveness on the face recognition. Key words: information processing; multi features description; fusion decision; complementary space; face recognition 0 引 言 人脸识别[1-3]是近几年来一个热门的研究课题,人脸图像的描述和分类是识别的两个主要步骤。根据无免费午餐(NFL)定理,不存在某单一算法能在任何情况下都优于其他算法,因此研究图像的多特征和多分类器融合[4-6]成为当下一个主流的发展方向。利用全局和局部特征来描述人脸是目前常用的方法。全局特征主要描述和表达人脸整体属性和信息,局部特征则主要描述面部图像细节变化信息,往往反映物体的一些 收稿日期:2015-09-01;收到修改稿日期:2016-01-14 基金项目:国家自然科学基金重点资助项目(61432004);国家自然科学青年基金(61300119);安徽省自然科学基金项目(1408085MKL16) 作者简介:任福继(1959-),男(汉族),四川南充人。教授,主要研究方向为计算机视觉、模式识别、信号与信息处理及情感识别。 E-mail:ren@is.tokushima-u.ac.jp。 通信作者:李艳秋(1988-),女(汉族),安徽淮北人。博士研究生,主要研究方向为图像处理、模式识别、智能计算。E-mail:liyanqiu2012@https://www.360docs.net/doc/818579231.html,。 https://www.360docs.net/doc/818579231.html,

人脸识别技术的应用背景及研究现状

1.人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求,生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性,并且具有很强的自身稳定性及个体差异性,生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有:指纹识别,视网膜识别,虹膜识别,步态识别,静脉识别,人脸识别等。与其他识别方法相比,人脸识别由于具有直接,友好,方便的特点,使用者无任何心理障碍,易于为用户所接受,从而得到了广泛的研究与应用。除此之外,我们还能够对人脸识别的结果作进一步的分析,得到有关人的性别,表情,年龄等诸多额外的丰富信息,扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面:(1)刑侦破案公安部门在档案系统里存储有嫌疑犯的照片,当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后,可以从数据库中迅速查找确认,大大提高了刑侦破案的准确性和效率。 (2)证件验证在许多场合(如海口,机场,机密部门等)证件验证是检验某人身份的一种常用手段,而身份证,驾驶证等很多其他证件上都有照片,使用人脸识别技术,就可以由机器完成验证识别工作,从而实现自动化智能管理。 (3)视频监控在许多银行,公司,公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时,需要实时跟踪,监控,识别和报警等。这需要对采集到的图像进行具体分析,且要用到人脸的检测,跟踪和识别技术。 (4)入口控制入口控制的范围很广,既包括了在楼宇,住宅等入口处的安全检查,也包括了在进入计算机系统或情报系统前的身份验证。 (5)表情分析根据人脸图像中的面部变化特征,识别和分析人的情感状态,如高兴,生气等。此外,人脸识别技术还在医学,档案管理,人脸动画,人脸建模,视频会议等方面也有着巨大的应用前景。 2.人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究,主要有美国,欧洲国家,日本等,著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute,Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献,目前的方法主要集中在以下几个方面: (1)模板匹配 主要有两种方法,固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板,然后计算测试样本与参考模板之间的某种度量,以是否大于阈值来判断测试样本是否人脸。这种方法比较简单,在早期的系统中采用得比较

人脸识别实验报告

人脸识别——特征脸方法 贾东亚12346046 一、实验目的 1、学会使用PCA主成分分析法。 2、初步了解人脸识别的特征法。 3、更熟练地掌握matlab的使用。 二、原理介绍 1、PCA(主成分分析法介绍) 引用一个网上的例子。假设有一份对遥控直升机操作员的调查,用x1(i)表示飞行员i的 飞行技能,x2(i)表示飞行员i喜欢飞行的程度。通常遥控直升飞机是很难操作的,只有那些 非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1(i)和x2(i)相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示,数据散布在u1两侧,有少许噪声。 现在我们有两项数据,是二维的。那么如何将这两项变量转变为一个来描述飞行员呢?由图中的点的分布可知,如果我们找到一个方向的U,所有的数据点在U的方向上的投影之 和最大,那么该U就能表示数据的大致走向。而在垂直于U的方向,各个数据点在该方向的投影相对于在U上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这样我们就把二维的数据转化成了在U方向上的一维数据。 为了将u选出来,我们先对数据进行预处理。先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后,再代替数据本身。 而我们求最大的投影和,其实就是求各个数据点在U上的投影距离的方差最大。而XT u 就是投影的距离。故我们要求下式的最大值: 1 m ∑(x(i)T u)2=u T( 1 m ∑x(i)x(i)T m i=1 ) m i=1 u 按照u是单位向量来最大化上式,就是求1 m ∑x(i)x(i)T m i=1的特征向量。而此式是数据集的 协方差矩阵。

人格特质的自我分析

人格特质的自我分析 学号:0911011001 姓名:潘建丽 班级:09应用心理要分析自我的人格特质,先要明白其内涵。哪什么是人格呢?一般说,某人有人格,某人无人格。这里指的是尊严、独立性等。奥尔波特指出:要从心理结构来理解人格。艾森克说,人格是人所具有的,相对来说较为稳定的特质。它可由外因激发或促成,是生理冲动、社会环境及自然环境之间相互作用的产物。它通常指的是情感——意志品质、情操、态度、心理状况、无意识机制、兴趣和理想,它能确定人的特性或特有的行为和思想。 这个阐释包括四个含义:1、人格是稳定的,不可能今天是这种,明天是那种。2、人格具有完整性,各种表征如情操态度等是相互联系的。3、人格是人的生理机制及周围相互作用的结果即人格具有社会性。4、每个人的人格是独特的。 人格是个人各种稳定特征的综合体,显示出个人的思想、情绪和行为的独特模式。这种独特模式是个体社会化的产物,同时又影响着个体与环境的交互作用。 特质是构建人格结构的基本成分,有关于人格的发展问题,卡特尔注重人格的决定因素和结构特质的发展形态。卡特尔强调人格发展受遗传与环境两者的相互作用,就外部环境而言,学习尤为重要。 下面是我对自己的人格分析: 我是具有社交型和协调型的人格特质。根据大五人格因素,我具有外倾性因素,回顾我往日的生活,我认为我的人格特质是相对稳定的,但又伴随着变化。 一、影响因素 1、遗传因素的影响 我的爸爸具有外倾性的人格特征,虽然他是文盲但是他喜欢交友,个性豁达、开朗,而我妈妈则是一位温柔、恬静的农村妇女。而我则吸收了爸爸、妈妈的优点。 2、早期的童年经验 和大多数同学一样,我生活在一个幸福美满的家庭,虽然因为生活很艰苦,我必须早早的学习干家务和地理的农活,回忆那时的童年生活真的很充实、美丽。我从七岁就开始做饭、干家务,还得照顾妹妹。培养了我坚忍不拔的毅力和吃苦耐劳的精神。 二、形成过程 1、童年 我爱我的家人,受到爸爸、妈妈的影响,尤其是我的爸爸,虽然是文盲,但他凭借自己的顽强的毅力和吃苦耐劳的精神支撑起整个家,他是家里的顶梁柱。我学会了爸爸的乐观与坚强不屈,学会了妈

面部表情识别实验报告分析

面部表情识别实验 实验报告 小组成员: 面部表情识别实验 西南大学重庆 400715

摘要:情绪认知是一种复杂的过程,它包含观察、分析、判断、推理等,是借助于许多线索,特别是借助面部那些活动性更大的肌肉群的运动而实现的。所以,情绪认知的准确度受多种因素的影响。 当我们与他人相互交往的时候,不管是不是面对面。我们都正在不断的表达着情绪,同时又正在观察,解释着的对方做出的表情,在人际交往过程中,情绪的表达和认知是十分的迅速和及时,那么人是借助于哪些表情来认知他人的情绪的呢?情绪识别实际上并不是针对表情本身的,而是针对这它背后的意义。例如:皱眉可能是一种情绪的表现,我们见到这种面部表情就试图解释潜在于它背后的情绪。尖锐,短促,声音嘶哑可能是一种情绪表现,我们听到这种语言表情就试图解释潜在于它背后的情绪捶胸,顿足可能是一种情绪的表现,我们见到这种动作表情就是试图解释潜在于它背后的情绪。对于这个复杂的问题,心理学家曾经做过许多的研究。 面部表情认知的研究可分为两个步骤:第一步是面部表情刺激物的制作或选择,这可以用专门拍摄(录像)或图示来描画,也可以用完全装扮出的活生生的表情或自发的表情等。第二步时对表情进行识别评定。也可以用多种方法,如自由评定法,即让被试自由地对表情给出情绪词汇;或限制评定法,即向被试提供各种提供各种情绪词汇或情绪情境,要求被试只能根据所提供的情绪词汇或者情绪情境进行分类或者匹配等;或参照自由评定法,即向被试提供参考线索(如情境,人格特征等),让其说出所表达的情绪的词汇等。 关键词:情绪表情认知线索

1 前言 传统心理学把情绪列为心理现象的三大方面之一。情绪也是心理学理论体系中一个不可缺少的研究环节。情绪(emotion)是体验,又是反应;是冲动,又是行为;它是有机体的一种复合状态。情绪的表现有和缓的和激动的,细微的和强烈的,轻松的和紧张的等诸多形式,广泛地同其他心理过程相联系。自古以来,科学家们十分注意探讨情绪之奥妙,但与情绪的重要性不相适应的是,长期以来情绪研究一直是心理学尤其是实验心理学研究中的一个薄弱环节。造成这一现象的最主要原因是情绪所特有的复杂性以及由此衍生出来的情绪研究方法学上的困难。我国心理学家孟昭兰(1987)将理论认为面部表情是传递具体信息的外显行为面部表情是提供人们在感情上互相了解的鲜明标记。情绪过程既包括情绪体验,也包括情绪表现,而表情既是情绪的外部表现,也是情绪体验的发生机制;既是最敏锐的情绪发生器,也是最有效的情绪显示器。这就从机制上说明了以面部肌肉运动模式作为情绪标志的根据。 面部表情(facial expression_r)的发生是有其客观的物质基础的:表情按面部不同部位的肌肉运动而模式化,面部反应模式携带着心理学的意义,那就是或快乐、或悲伤等具体情绪。但是,对表情进行测量的原则在于:所要测量的是面孔各部位的肌肉运动本身,而不是面部所给予观察者的情绪信息。该实验将14名被试分为两组进行表情认知的实验,实验目的在于通过实验了解面部表情认知的基本

人脸识别发展历史介绍

人脸识别发展历史介绍 1 引言 在我们生存的这个地球上,居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成,它们之间的大体位置关系也是固定的,并且每张脸的大小不过七八寸见方。然而,它们居然就形成了那么复杂的模式,即使是面容极其相似的双胞胎,其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸!那么,区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自动机器的人脸识别能力是否能够超越人类自身?对这些问题的分析和解答无疑具有重要的理论和应用价值,这正是众多从事自动人脸识别研究的研究人员所面临的挑战。 然而,对这些问题的回答并不像看起来那么容易。即使在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后,这些最基本的科学问题仍然困惑着研究人员。而退一步讲,即使对我们自己,尽管我们每天都在根据面孔区分着亲人、同学、朋友、同事等,大多数人却很难准确地描述出自己到底是如何区分他们的,甚至描述不出自己熟悉的人有什么具体的特征。即使专门从事相关的生理学、心理学、神经科学研究的一些专家,也很难描述清楚人类人脸识别的生理学过程。这意味着基于仿生学的人脸识别研究路线在实践上是难以操作的。当然,飞机的翅膀并不需要像鸟儿的翅膀一样煽动,自动人脸识别的计算模型也未必需要模拟“人脑”。我们也许可以通过另外的途径,例如建立人脸识别的计算模型,这种计算模型可能是基于仿生神经网络的,也可能是纯粹基于统计的,或者是这二者之外的第三只眼睛,并通过构建实用的自动人脸识别系统来验证这些计算模型,从而找出对上述基本科学问题的解答。 本文首先给出了人脸识别的一个一般计算模型,然后简单回顾自动人脸识别的研究历史,接下来阐述人脸识别的研究现状并介绍几种主流的技术方法,简单介绍计算所人脸识别研究组的研究进展,最后对上述哲学层面的问题作了一些简单的探讨。

我的人格特征分析

我的人格特征分析 心理学是介于社会科学与自然科学中的学科,能帮助我们解释各种心理现象和人格发展规律。先从多元类型理论中的气质类型学说、卡特尔特质因素两方面分析自己的人格特征,不同角度分析自己日常行为,处事方式,再探讨改善行为和完善人格的方法。 人格是构成一个人的思想、情感及行为的独特模式,这个独特模式包含了一个人区别于他人的稳定而统一的典型心理品质。我根据人格心理学中的一些人格理论对自己的人格特征作了如下分析: 一、气质类型的体液说 气质学说把人的气质分成四种气质类型,即胆汁质、多血质、粘液质和抑郁质。 按照气质类型的体液说分析,我属于典型的多血质类型。有这种气质类型的的人情感丰富、外露却不稳定,思维敏捷却不求甚解,活泼好动、热情大方、善于交往但交情浅薄,行动敏捷、适应性强:他们的缺点是缺乏耐心和毅力,稳定性差,见异思迁。在大学生心理健康教育课上做的气质类型判别的自填式量表,我的得分是在多血质的范围,且在日常生活学习中确实也表现出这种气质类型的特点。我活泼好动,运动神经比较发达,且能很快掌握驾驶技术。善于交往,在新环境里不会感到拘束,适应性也很强,表现在我能很快融入一个新的陌生环境。我在学习和工作中富有精力而效率较高,但会表现出三分钟热度,耐性不佳,比如,高中时的数学是我最弱的学科,但上课时我总能很快理解老师所讲的知识与方法,但在遇到解法复杂的难题

时会下意识地去放弃。但在充分自制能力和纪律的情况下,会表现出巨大的积极性,比如背书,无论是高中时背的历史政治地理,还是大学时闭卷考试的科目,都能静下心把书360度全面看遍。我对事情的情感比较容易变,如当遭遇不顺利时,热情就容易消失。而且我做事比较粗心,典型表现是算数总是容易出错。 针对我在日常生活中富有朝气、爱交际、有同情心、思想灵活;但有时出现变化无常、粗枝大叶、浮躁的特点,进行自我完善应该从发扬灵活性和增强耐性这两个角度出发。我选择公共事业管理这个专业也是从灵活性与性格开朗考虑的,我的性格与专业的要求比较相符。而且我适宜做要求反应迅速而灵活的工作。在增强耐性方面,主要是多训练自己的毅力,尽量让自己心平气和,提高自制能力。如学习修身养性之法,练练太极和瑜伽,多看一些书,磨练心性。 二、卡特尔特质因素 卡特尔用因素分析对人格进行了分析,提出了人格特质的结构网络模型。后又因素分析方法提出了16种相互独立的根源特质,从而编制了“卡特尔16种人格因素调查表”。 根据十六中人格因素调查表测试结果,我的多项结果偏向平均水平,如情绪稳定性、恃强性、敢为性、有恒性、敏感性、怀疑性、世故性、激进性自律性、紧张性等。我想这都是和我本身随遇而安,不喜欢出风头,安于现状,不喜欢挑战的个性是有关的,我最大的追求就是做一个普通的小市民,不想做英雄不想当大官,敬佩优秀人物却从不嫉妒也不会想发奋努力去成为那样的人。我很保守,不喜欢冒险,

基于K-L变换的人脸识别

基于K-L变换的人脸识别 一、实验原理及基本要求 特征脸方法是基于K-L变换的人脸识别方法,K-L变换是图像压缩的一种最优正交变换。高维的图像空间经过K-L变换后得到一组新的正交基,保留其中重要的正交基,由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性,就可以将这些投影用作识别的特征矢量,这就是特征脸方法用于人脸识别的基本思想。在人脸识别中,可以用离散K-L变换对人脸图像的原始空间进行转换,即构造人脸图像数据集的协方差矩阵,对之进行正交变换,求出协方差矩阵的特征向量,再依据特征值的大小对这些特征向量进行排序,每一个向量表示人脸图像中一个不同数量的变量,这些特征向量表示特征的一个集合,它们共同表示一个人脸图像。在人脸识别领域,人们常称这些特征向量为特征脸。每一个体人脸图像都可以确切地表示为一组特征脸的线性组合。这样我们首先通过有指导的训练(给定训练样本集已知分类)得到样本集在特征脸空间中的坐标。训练完成后,输入待辨识图像,求得在特征脸空间的坐标,采用欧式距离法,就可以实现人脸识别。 我们从网上下载人脸图像,构建人脸训练数据库和测试数据库,采用K-L变换进行特征脸提取,并实现人脸识别。通过K-L变换在人脸识别中的应用,加深对所学内容的理解和感性认识。 二、具体做法及流程图 ORL人脸库是由英国剑桥Olivetti实验室从1992年4月到1994年4月期间拍摄的一系列人脸图像组成,共有40个不同年龄、不同性别和不同种族的对象。每个对象10幅图像共计400幅灰度图像组成,图像尺寸是92×112,图像背景为黑色。其中人脸部分表情和细节均有变化,例如笑与不笑、眼睛睁着或闭着,戴或不戴眼镜等,人脸姿态也有变化,其深度旋转和平面旋转可达20度,人脸尺寸也有最多10%的变化。该库是目前使用最广泛的标准数据库,它含有大量的比较结果。 本次试验我们用的是ORL人脸库中的人脸样本集,每个人的人脸样本集中含有十个人脸样本。我们从其中挑出训练样本和测试样本。对训练样本集采用K-L变换进行特征脸提取,并对测试样本集进行人脸识别。 步骤:

个人人格自我分析报告

个人人格自我分析报告 导读:本文个人人格自我分析报告,仅供参考,如果觉得很不错,欢迎点评和分享。 篇一 通过自我人格测验,结果为多血质12分,胆汁质3分,粘液质4分,抑郁质-9分。单单从结果上来分析,本人的气质类型为一般型的多血质。根据书本上对于多血质气质类型的描述,多血质:活泼好动,敏感,表情外露,反应迅速,善于交往,适应性强,但注意力容易转移,兴趣容易变换,做事缺乏持久性。(活泼型) 我觉得该测验结果不完全符合我对自己气质、性格的认识。根据该分析报告的要求表明,得分在20分以上者为典型气质类型,10~20为一般气质类型;而多种气质类型的得分相当时,就可以划为混合气质类型。我个人还是倾向混合气质类型,因为我个人的行为习惯上许多与粘液质表现相符合。粘液质:安静,稳重,沉着,善于忍耐,但沉默寡言,情绪不易外露,反映较慢,不够灵活,因而比较固执。我个人举觉得此项也比较符合自己。 为什么会出现气质类型测验结果的差距呢,个人认为是由于个体差异的缘故。 人格分析报告,是由国外的心理学家提出的,具有相当的概括性,概括了人的4种典型人格特征。然而国外学者的主要研究对象是针对国外的心里情况现状。我们众所周知,人具有民族和人种特点,虽然

生理结构上大同小异,但是思维、行为习惯和受环境影响是不同的。最典型的例子就是文化上的不同,所以还有待我国心理学者开发属于国人的人格分析。 外向测验结果为78分,即稍外向型。这点我还是比较赞同的。 内一外向的概念首先是荣格提出的。外向是一种定势指向外部环境。外向性格是爱交际、好外出、坦率、随和、乐于助人、轻信、易于适应环境。荣格认为,纯粹内向或外向性格的人是很少的,只是在特定场合下,由于某种情境的影响而倾向于一种占优势的态度,大多数人是介于内向和外向之间的中间型。 篇二 人格包括先天的气质和后天的性格。首先,我来分析一下我的气质。气质具有天赋性,是一种典型的和稳定的心理特征,人的气质不要受个人活动的目的,动机和内容的影响,在目的,内容不同的活动中,人的气质特征都会以同样的方式表达出来。对气质的研究源于古希腊医生希波克里特的体液说,他认为人体内有四种体液:黏液、黄胆、汁黑胆、汁血液,这四种体液的配合比率不同,形成四种不同的人。约500年后,罗马医生盖伦进一步确定了气质类型,提出人的四种气质类型是胆汁质、多血质、粘液质、抑郁质。根据上次老师给我们做的测试,得分结果如下:胆汁质2分;多血质6分;粘液质-2分;抑郁质-5分。我较符合多血质这一类,从日常生活中,我也发现我很多符合多血质的很多特征,例如:易受外界的影响;具有较高的可塑性;情绪兴奋性高,反应迅速灵敏;外倾性明显。情绪丰富而外露,

人脸表情识别

图像处理与模式识别 ------人脸表情识别介绍摘要:人脸表情是我们进行交往和表达情绪的一种重要手段,不经过特殊训练,人类对其面部表情往往很难掩饰,所以,通过对人脸表情进行分析,可以获得重要的信息。人脸表情识别是人机交互的智能化实现的一个重要组成部分,也是模式识别、图像处理领域的一个重要研究课题,近几年来,受到了越来越多的科研人员的关注。 本文综述了国内外近年来人脸表情识别技术的最新发展状况,对人脸表情识别系统所涉及到的关键技术: 人脸表情特征提取,做了详细分析和归纳。 关键词:人脸定位;积分投影;人脸表情识别;流形学习;局部切空间排列Abstract:Facial expression is a kind of important means that we communicate and express the special training, People often difficult to conceal their facial , by the analyzing facial expression, we can obtain important information. Facial expression recognition is an important component that the implementation of human-computer interaction, and an important research topic in the field of pattern recognition, image processing, in recent years, more and more researchers focus on this topic. In this paper,we present the latest development of this area,and give a detailed analysisand summary for facial

人脸识别实验报告

人脸识别——特征脸方法 贾东亚 一、 实验目的 1、学会使用PCA 主成分分析法。 2、初步了解人脸识别的特征法。 3、更熟练地掌握matlab 的使用。 二、 原理介绍 1、 PCA (主成分分析法介绍) 引用一个网上的例子。假设有一份对遥控直升机操作员的调查,用x 1(i ) 表示飞行员i 的 飞行技能,x 2(i )表示飞行员i 喜欢飞行的程度。通常遥控直升飞机是很难操作的,只有那些非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x 1(i )和x 2(i )相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示,数据散布在u1两侧,有少许噪声。 现在我们有两项数据,是二维的。那么如何将这两项变量转变为一个来描述飞行员呢由图中的点的分布可知,如果我们找到一个方向的U ,所有的数据点在U 的方向上的投影之和最大,那么该U 就能表示数据的大致走向。而在垂直于U 的方向,各个数据点在该方向的投影相对于在U 上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这样我们就把二维的数据转化成了在U 方向上的一维数据。

为了将u选出来,我们先对数据进行预处理。先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后,再代替数据本身。 而我们求最大的投影和,其实就是求各个数据点在U上的投影距离的方差最大。而X T u 就是投影的距离。故我们要求下式的最大值: 1 m ∑(x(i)T u)2=u T( 1 m ∑x(i)x(i)T m i=1 ) m i=1 u 按照u是单位向量来最大化上式,就是求1 m ∑x(i)x(i)T m i=1 的特征向量。而此式是数据集 的协方差矩阵。 在实际应用中,我们不止面临二维的数据。因此不能使用几何的形式呈现,但原理也是一样。就是找到一组相互正交的单位向量u k,然后根据贡献率考虑选择其中的部分作为考量的维数,这也就实现了数据的降维。 三、实验步骤 1、将库里的400张照片分成两组。一组作为训练,一组作为库。每个人的前五张照片作为 训练,后五张作为库。训练的照片按照顺序的数字重命名。库的照片名字不变。 2、库照片处理。 ①将每一张库的照片转化成N维的向量。(库里的照片是112*92,故将转化成的矩阵按列或行展开,就是个10304维的向量)我们稍后要对如此多维的向量用PCA进行降维。然后把这些向量存入一个矩阵里。而我是将这200个向量以列的形式存在了矩阵里。 即 Z={Γ1,Γ2,Γ3,Γ4 (200)

华工数学实验基于回归模型的增量人脸识别探索性实验

实验六 基于回归模型的增量人脸识别探索性实验 1. 实验目的 ● 了解数字图像的基本概念,了解人脸识别的基本含义; ● 掌握基于回归模型的人脸识别算法的基本原理; ● 了解Matlab 中基本的文件和图像处理命令。 2. 实验任务 利用各种增量人脸识别算法:基于回归模型的增量人脸识别算法,最远子空间增量分类算法、最近最远子空间增量分类算法或其他快速算法,选择其中的一种或几种算法,对给定的人脸数据库进行识别测试,得出识别正确率和(或)运行时间。并与第5节不采用增量学习的算法进行比较,分析实验结果。在实验过程中,可以察看原始的人脸图片,哪些人脸识别错误?该算法有哪些优缺点?改进方向是什么? 2.1实验原理 在本次实验中选取基于回归模型的增量人脸识别算法; 增量学习可以利用原有训练样本已得到的计算结果和新增数据来计算新的参数,不再需要原来的样本数据,从而降低学习的开销,提高算法处理数据的运行效率。即主要推导求逆矩阵的增量学习公式,以提高LRC 处理较大规模数据的效率。 2.1.1预处理:对训练数据和测试数据对应的图像的像素都映射到[0,1]区间;将一个数据集剖分为训练数据集和测试数据集。 2.1.2读入训练数据,利用LRC 算法和逆矩阵的增量学习公式,得到 令(1)(1)111111111T N N N N N T N N N N N T N N N N T N N N R R R c R ?+?++++?+++++=∈=∈=∈=∈A X X A X X X x x x α 11111 11111记 T N N N N N N N N N R t c --+?+-++++??=-?=∈?A A αααγ

九型人格-9种性格特征分析

九型人格-9种性格特征分析 1号性格:完美主义者 自白:我觉得凡事都应该有规有矩,我一直坚持自己的标准。我理性正直、做事有原则、有条理、有效率、事事力求完美,但别人说我过于挑剔、吹毛求疵(ci)。 经常说的话:“应该这样,不应该这样” 性格特点: u 一丝不苟、一本正经、不苟言笑、严肃、严谨、爱批评、不怒自威、理性、不讲情面 u 整洁、挑剔、做事情前需要充分准备、完美主义、守时、有计划有目标、要求过高 u 做事情有原则(原则是自己定的):世界是黑白分明的,没有灰色地带,对是对,错是错,做人一定要公正,有节制,做事一定要有效率。 u 现实、实用主义者、不满现状、压抑愤怒、负责任、有道德优越感、正直 u 严于律己、同时也严于律人、不喜欢别人说他、对别人的批评会耿耿于怀,同时也会去改正自己的缺点、自我批判、追求高度自律他律 典型人物:朱镕基、包公、郭靖、张瑞敏 典型价值观: 追求卓越 没有最好只有更好 细节决定成败 鞠躬尽瘁 经常用的措辞:应该、不应该;对、错;不、不是的;照规矩。 2号性格:活雷锋 自白:我乐于付出(随时随地帮人,动机单纯)、善解人意、容易与人相处,总是热情地去满足他人的需要,别人容易与我倾述心事。同时我也渴望得到爱与关怀,可别人却常常忽略我。 性格特点: u 毫不利己,专门利人;喜欢帮助别人;不懂得拒绝别人;忽视自己,重视别人,心肠好;人缘好;喜欢被别人依赖而获得成就感;感性、天生的同理心,乐于助人、主动、取悦人,时常感觉自己付出的不够,取悦人 u 相信别人胜过相信自己的家人、强调别人需求,忽略自己的需求,对家人不关心,做他的家人就比较痛苦;做自己家的事懒惰,为别人家干活很勤快。 u 甘于牺牲、有[感情帐簿] 对爱的极度需求;戏剧化(吸引注意),拒绝别人帮助(自己记别人也记,怕记,漂亮,随便长的) u 语气柔和,喜欢与人身体接触(点菜,推一下) u 关注人,不关注事情 典型人物:牛根生、雷锋 团队价值观:财散人聚,财聚人散先付出,再得到 常用词汇:你坐着,让我来;不要紧,没问题;好,可以;你觉得呢? 「用有限的生命,投入到无限的为人民服务中去。」—雷锋

人脸识别实验报告解读

人脸识别——特征脸方法 贾东亚12346046 一、实验目的 1、学会使用PCA主成分分析法。 2、初步了解人脸识别的特征法。 3、更熟练地掌握matlab的使用。 二、原理介绍 1、PCA(主成分分析法介绍) 引用一个网上的例子。假设有一份对遥控直升机操作员的调查,用表示飞行员i的 飞行技能,表示飞行员i喜欢飞行的程度。通常遥控直升飞机是很难操作的,只有那些 非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性和相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示,数据散布在u1两侧,有少许噪声。 现在我们有两项数据,是二维的。那么如何将这两项变量转变为一个来描述飞行员呢?由图中的点的分布可知,如果我们找到一个方向的U,所有的数据点在U的方向上的投影之和最大,那么该U就能表示数据的大致走向。而在垂直于U的方向,各个数据点在该方向 的投影相对于在U上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这 样我们就把二维的数据转化成了在U方向上的一维数据。 为了将u选出来,我们先对数据进行预处理。先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后,再代替数据本身。 而我们求最大的投影和,其实就是求各个数据点在U上的投影距离的方差最大。而X T u 就是投影的距离。故我们要求下式的最大值: 按照u是单位向量来最大化上式,就是求的特征向量。而此式是数据集的协方差矩阵。

在实际应用中,我们不止面临二维的数据。因此不能使用几何的形式呈现,但原理也是一样。就是找到一组相互正交的单位向量,然后根据贡献率考虑选择其中的部分作为考量的维数,这也就实现了数据的降维。 三、实验步骤 1、将库里的400张照片分成两组。一组作为训练,一组作为库。每个人的前五张照片作为 训练,后五张作为库。训练的照片按照顺序的数字重命名。库的照片名字不变。 2、库照片处理。 ①将每一张库的照片转化成N维的向量。(库里的照片是112*92,故将转化成的矩阵按列或行展开,就是个10304维的向量)我们稍后要对如此多维的向量用PCA进行降维。然后把这些向量存入一个矩阵里。而我是将这200个向量以列的形式存在了矩阵里。 即 ,,, ②将这200个向量的每个元素相加起来求出平均值。再用Z里的每一个向量减去这个平均值得到每个的偏差。 平均值,每个向量的偏差 即最后 ,,, ③接下来我们就要针对这些预处理后的数据进行降维。我们要求的N个相互正交的向量就是协方差矩阵的特征向量,而对应的特征值就是各个向量所占的比重。但是Z是个10304*200的矩阵,那么就是个10304*10304的矩阵。使用matlab直接求其特征值与特征向量不太实际。 所以我们考虑一个简单的运算方法: 协方差矩阵的秩受到训练图像的限制:如果有N个训练样本,则最多有N? 1 个对应非零特征值的特征向量,其他的特征向量对应的特征值都是0。如果训练样本的数目比图像的维数低,则可以通过如下方法简化主成份的计算。 设 Z是预处理图像的矩阵,每一列对应一个减去均值图像之后的图像。则,协方差矩阵为,并且对S的特征值分解为

[人格心理学自我分析论文]

[人格心理学自我分析论文] 用人格心理学理论进行自我分析 人格心理学是对人类心理力量的科学研究,这种心理力量使得人们成为与众不同的个体。人格是在适应社会生活的过程中,对人、对己、对事的一种态度,它包含两层意思: 人生舞台上的各种言行;面具下真实的自我。人格的基本性质包括独特性、稳定性、统和性、和功能性;广义的人格与个性同义,均指人的心理面貌,包括个性倾向性以及能力, 气质和性格等方面的个性心理特征。狭义的人格指性格和气质,不包括智力。人格理论是 人格心理学的核心,一方面它系统地说明或解释了各种心理现象,另一方面为我们提供了 研究的框架。所以人格心理学是一门科学,重要的学科,它有利于我们充实和完备心理学 的内容体系。在教育方面,教师可以根据学生不同的人格特征因材施教,健全他们的人格。在管理方面,提供了一个合理使用人才的依据,优化了群体人格特征的合理配置。而且也 有助于我们了解自己的人格特征,并选择合适自己的工作。 下面我就根据人格心理学中的一些人格理论去分析自己日常行为,处事的方式分析我 自己的人格特征,这对我自己日后更好地工作和学习有着积极的意义。 一、首先用物质流派来分析一下自己的气质特征,特质是决定个体行为的基本特性, 是人格的有效组成元素,也是测评人格所常用的基本单位。人格特质在时间上具有稳定性,在空间上具有普遍性。具有同一特质的人,对不同的情境会做出类似的反应。课上讲到, 人的气质类型分为多血质、抑郁质、黏液质和胆汁质。根据对这几种特质类型的了解,我 觉得自己是比较倾向于粘液质类型的,因为我在生活中是一个坚持而稳健的辛勤工作者, 严格恪守既定的生活秩序和工作制度,主要表现是:态度持重,交际适度,不作空泛的清谈,不常常显露自己的才能,感情丰富,稳重含蓄,能够镇静地处理各种突发事件;有时 候显得被动,但大多数时候是主动的,积极应对生活中的各种事件;做事谨慎,不允许让 自己犯多少错误,比较有思想,看待事物以辩证思想,能够比较成熟地处理各种事情。喜 欢和平宁静的生活,不太喜欢竞争,虽然自己从小到大一直处于与他人竞争状况长时间坚 持不懈。气质是个人生来具有的心理活动的动力特征,属于人格中的先天倾向,因此,我 觉得自己的气质更多的是来源于先天即遗传基础。 人格心理学中,卡特尔的特质因素论也是里程碑式的理论。他认为特质是构建人格结 构的基本成分,就像化学元素构成宇宙万物一样。通过研究,他找到许多人格特质,并将 它们从不同角度进行了分类。首先按个体与群体的角度分为个别特质和共同特质。从层次 上分为表面特质和根源特质。关于人格动力,他提出动力特质,并分为能,外能和辅助。 后来卡特尔根据大量的生活记录材料,问卷材料和客观测试材料编制了著名的十六种人格 因素调查表。根据十六种人格因素调查表测试结果,我十六种特质基本属于平均水平,自 律性偏低,敏感性,焦虑性,稳定性偏高。我既适合交际类型工作也适合偏精确性工作, 比较乐群,做事也理智不幼稚。这基本符合了我对自己的认知。卡特尔认为人格是不断发 展的,但受到遗传因素的制约,遗传的天性会影响他人对他的反应,影响他本身的学习方式,也限制了环境力量对其人格的塑造。就我个人而言,我遗传了母亲脾气暴躁的特性,

面部表情识别与面孔身份识别的独立加工与交互作用机制_汪亚珉

心理科学进展 2005,13(4):497~516 Advances in Psychological Science 面部表情识别与面孔身份识别的 独立加工与交互作用机制* 汪亚珉1,2 傅小兰1 (1中国科学院心理研究所,脑与认知国家重点实验室,北京 100101)(2中国科学院研究生院,北京 100039) 摘 要面孔识别功能模型认为,面部表情识别与面孔身份识别是两条独立的并行路径。以往诸多研究者都认可并遵循二者分离的原则。但近期研究表明,面部表情识别与面孔身份识别存在交互作用。首先总结和分析已有的面部表情识别的研究成果,评述神经心理学与认知神经科学研究中的论争,然后介绍人脸知觉的分布式神经机制以及相关的实验证据,最后提出面部表情识别与面孔身份识别的多级整合模型,并展望研究前景。 关键词面孔身份识别,面部表情识别,面孔识别功能模型,人脸知觉的分布式神经模型,多级整合模型。分类号 B842 面孔识别一直备受研究者关注。20世纪70年代,Ekman和Frisen系统地研究了人脸基本表情的文化普遍性,并从解剖学角度提出了6种基本的面部表情[1]。20世纪80年代,Bruce和Young系统地研究了人对面孔的识别及其影响因素,提出了经典的面孔识别功能模型[2]。自此,面孔识别成为认知科学研究领域中的热点问题之一。 人能轻易地从不同表情中识别出同一个人的面孔(即面孔身份识别,facial identity recognition),也能从不同人的面孔上识别出同一种表情(即面部表情识别,facial expression recognition),识别得如此精巧,以至众多研究者相信,识别面孔与识别表情 收稿日期:2005-04-24 * 本研究得到中国科技部973项目(2002CB312103)、国家自然科学基金重点项目(60433030)和面上项目 (30270466)、中国科学院心理研究所创新重点项目 (0302037)经费支持。 通讯作者:傅小兰,E-mail: fuxl@https://www.360docs.net/doc/818579231.html, 两者相互独立,互不干扰[2~7]。那么,这种分离识别究竟是如何实现的?面孔身份识别与面部表情识别究竟是彼此独立的还是相互作用的?这已成为认知科学(尤其是计算机视觉)面孔识别研究领域中亟待解决的一个重要问题。 在过去开展的大量研究中,对面孔身份识别问题的探讨相对比较深入,而对面部表情识别的研究则囿于经典功能模型,并未能取得实质性进展。近年来随着脑认知研究技术的发展,面部表情识别的研究也在不断深入,研究者对面部表情识别与面孔身份识别间的关系也提出了新的阐释。本文在综述已有研究的基础上,试图进一步探讨面部表情识别与面孔身份识别之间的独立加工与交互作用机制。首先,基于经典面孔识别功能模型,分析传统的面孔身份识别与面部表情识别的并行分离加工观点,以及行为学、神经心理学与认知神经科学的研究发现;其

相关文档
最新文档