论文梳理_基于卷积神经网络迁移学习图像检索

题目：基于GAN 网络的面部表情识别

搜索源：知网
论文关键词：表情识别;深度学习;生成对抗网络GAN
应用：面部表情识别

摘要

本文：姿态不变，端到端，模型（姿态不同和表情，扩充训练集），GAN（生成对抗网络）

0 1     引言

面部表情识别 应用：心理学，教育，数字 娱乐，驾驶员监控
两阶段：特征提取，表情识别
目前：正面面部
要 解决：任意姿态

2     GAN网络的 面部表情识别方法

2.1     面部表情识别

过程：特征提取，表情识别
传统特征提取（SIFT，LBP，Gabor，Geometry）
本文：CNN
表情分类方法：SVM，KNN，随机森林
本文：GAN网络变体，生成图像（不同姿态表情），分类器嵌入到GAN网络中训练，端到端

2.2     生成对抗网络GAN

GAN：生成，判别 模型

生成模型：接受随机噪声，噪声生成数据或图片
判别模型：两类输入（生成噪声数据，现实中数据）

4     总结

文本：端到端模型，面部图像合成

---

---

题目：非正面人脸表情识别方法综述

搜索源：知网
论文关键词：非正面人脸表情识别; 人脸关键点; 外貌特征; 姿态相关;

摘要

人脸检测，头部姿态估计，特征提取，分类方法
非正面人脸 表情特征提取 ，分类
非正面人脸表情识别：人脸关键点 ，外貌特征， 姿态 相关

0 1     引言

应用：疲劳驾驶， 微笑 检测，网络视频分析，移动 手机服务
情感机器人，车载辅助系统，智能移动终端，互联网即时通信
五大难题：头部偏转（干扰情感认知 ），光照变化， 配准误差，面部遮挡，身份差异
2017年 IEEE国际自动人脸与手势识别会议（IEEE FG）的第三届人脸表情识别与分析挑战赛主题：头部偏转的表情识别
PAMI期刊的人脸表情识别综述：

之前综述：

1. 罗列方法，缺乏原理和特点分析
2. 指出面临难题，没说难在何处

2     非正面图像获取

标准数据库，自己采集拍摄，图像预处理（光照均衡化，尺度归一化），检测（判断人脸区域，头部偏转情况），提取表情特征，特征分类
样本维度：二维数据库（北航，中科院），三维数据库（有待发展）
数据库标记：表情，动作

3     非正面人脸检测

3.1     非正面人脸检测 方法

头部转角：
'< 45度：人脸检测方法处理非正面人脸
'> 45度：头部姿态变，五官分布变，用三维模型

多角度人脸数据不足，解决：

1. 局部特征 ：跟踪人脸局部区域 ，标记点。估计-校正-微调

   全卷积网络FCN：估算标记点位置
   点分布模型：生成人脸 标记点起始形状
   均值漂移：确定人脸形状

2. 整体特征：不同姿态，构建检验算子

3. 深度特征： 不同姿态人脸调试的VGG-Face网络。肤色和背景颜色提取。卷积神经网络。

3.2     头部 姿态估计方法

姿态估计：水平转，头部垂直转，左右转
方法：外观模板法、检测阵列法、非线性回归法、流形嵌 入法、弹性模型法、几何法、跟踪法

对某姿态人脸建模（外观模板法，检测阵列法，弹性模型）
人脸特征提取（流形嵌入法，几何法）

4     非表情识别

---

---

题目：微表情识别方法综述

搜索源：知网
论文关键词：微表情识别; 特征提取; 微表情分类; 心理认知; 测谎; 计算机视觉; 计算机图像处理; 人脸识别; 主动表现模型; 人工智能; 局部约束模型; 视频监控;

摘要

应用：测谎，反恐，临床医学

0 1     引言

微表情持续时间：1 /25 ~ 1 /5 s，不由自主表情
微表情涉及：图像处理与分析、模式识 别 、计算机视觉 、计算机图像学 、人工智能 、生物学、心理学等方向

2     图像获取及预处理

预处理：人脸检测及配准、人脸 切割和图像归一化
前人：

ASM（主动形状模型）：训练，搜索，优点（有序得到特征点，较高精确性和鲁棒性），缺点（局部最小）
AAM（主动表观模型，改进ASM）：建立（形状，纹理，混合模型），缺点（侧脸，复杂场景差，局部最优，环境噪声缺乏鲁棒性）
CLM（局部约束模型）：

人脸剪裁和切割：
剪裁：确定人脸矩形区域（面部特征，几何模型）
切割：特征点（联合级联法 检测27个面部特征）
灰度归一化， 光照归一化，尺度归一化（减少光照不均，尺寸不一致）

3     微表情检测，特征提取

特征提取方法 ：梯度 ，运动，纹理，深度学习

梯度：方向梯度直方图：图像局部梯度方向构成特征
运动：鲁棒主成分分析与局部时空方向特征结合
纹理：反映本身属性，LBP（局部二值模式，描述图像局部纹理特征）

4     微表情分类

随机森林RF，极限学习机ELM，隐马尔可夫HMM，深度致信网络DBN

7     展望

不足：

1. 微表情建库水平低
2. 微表情表达特点 不明确
3. 算法不成熟：特征融合、分类器结合，提出新特征分类，识别算法，提高性能
4. 长视频 微表情实时检测 应用不足

---

---

题目：微表情识别综述

搜索源：知网
论文关键词：微表情;微表情识别

摘要

1. 微表情好处：隐藏真实感受，真实表达，难以捕捉
2. 应用：医疗，商业谈判，刑事审讯，人际交往，安检
3. 现在热门：微表情检测与识别
4. 难点：微表情强度弱，被环境影响，持续时间短，部位区域狭小不确定 ，传感器难 捕捉识别

0 1     微表情综述

1. 微表情：时间短，不能控制隐藏的真实情感，防御机制
2. 现状：表情识别成熟，迁移到微表情识别不好，要重新设计

   微表情模型：METT
   微表情数据库：CASME

2     微表情识别综述

1. 微表情视频流检测
2. 步骤：

   预处理：原始数据模糊，轮廓检测，裁剪，对齐
   特征值提取
   特征值分类，贴标签
   设计实验