面部表情识别基准

文摘

面部表情是一个重要的非语言沟通形式,因为它是指出,55%的人是用面部表情表达交流。有几个面部表情在不同领域的应用,包括医疗、安全、游戏,甚至企业。因此,目前,面部表情自动识别是一个研究领域温床,吸引了大量的资助,因此需要了解趋势很好。本研究结果,旨在评估选择发表在领域的研究工作,进行价值分析来确定最常见和有用的算法用于这项研究。我们选择从2010年到2021年发表的作品和提取,分析和总结调查结果基于最常用技术在特征提取,特征选择,验证、数据库和分类。研究的结果表明强烈的局部二进制模式(LBP),主成分分析(PCA),饱和向量机(SVM), CK +,和10倍交叉验证是使用最广泛的特征提取,特征选择,分类器,数据库,分别和验证方法。因此,符合我们的研究结果,本研究为研究专门为新研究人员提供建议与很少或没有背景,他们可以使用,努力提高方法。

1。介绍

发现人类和动物的表情和情绪达尔文【1)在19世纪作为研究前提的情绪。在他的作品中,达尔文指出人类和动物表现出情绪相似的行为(2]。自那时起,已经有重大进展研究情绪,与过去的二十年里见证了巨大的贡献从多学科领域,如心理学、医学、社会学、商业、神经科学、内分泌学、和计算机科学,导致一个巨大的面部表情自动识别的算法(3]。

情绪可以被描述为我们觉得是由神经元发射电子在杏仁核内的微小的通路,大脑的情感中心。情感也可以被描述为一个复杂的经验,涉及相关的感情,往往将一个一个人的个性4,5]。他们有身体和生理变化,规范我们的行为,由于对内部和外部刺激的反应6]。情感是人类的显著特征。它在人际交往中起着有益的作用,以及人际关系的发展和监管7- - - - - -9]。也会影响思想、行动和做出的决定(10]。在识别情绪,一些情感信息的来源。这些情绪的信息来源作为情感的主要数据可以推断出。他们可以大致分为三组,即生物指标、行为指标,和生理信号(见图1)[3,11]。生物指标包括面部表情和身体姿势或手势。生理信号测量基于电信号记录产生的心脏,大脑,肌肉和皮肤。它们包括脑电图(EEG)、肌电图(EMG)、心电图(ECG)、呼吸率、皮肤电导,眼电图(小城镇),血压,正电子发射断层扫描术(PET),磁共振成像(MRI),脑磁图描记术(MEG),功能性磁共振成像(fMRI),近红外光谱(NIRS)。此外,语音信号情感识别和文本表示行为指标。

对面部表情的研究可以追溯到古代,使面部表情一个公认的和重要的形态之间的非语言形式的沟通。此外,它可以推断出从面部表情的文学主要是结合模式与其他模式在执行情感识别(12]。达尔文的普遍性的工作情绪的面部表情在不同的文化和不同的部落作为基础实证研究在面部表情1]。因此,它使面部表情唯一衡量与开发框架,因为它已经彻底研究在过去的几十年里13]。此外,指标之间的情感识别、面部表情被认为是一个重要和主要测量情感识别传达了55%的人类交流,然后通过语言和言语7%和38%,分别为(14,15]。情绪很容易和准确地检测到从[16,17]。此外,使用面部表情的情感识别有几个优点,比如noninvasiveness和相对便宜,因为它不涉及任何身体接触与用户使用传感器相比的情况下收集脑电图信号或者有任何要求昂贵的硬件(18]。面部表情是有用的在解读一个人的思想或心境在交谈中19]。它也是最真实的指标,借信息时代,真实性,气质,性格,和一个人的情绪状态(20.,21]。因此,可以得出结论,面对身体的是一个重要的特性,因为它传达了一个人的人格,情感,思想,和想法之前它已经被描述,扮演一个重要的角色在人类交流和社会互动3,22]。

达尔文的范本,研究建立了基础的情感,从而收到不同的心理学家的关注。埃克曼(23)验证达尔文理论的普遍性情感无论部落和文化时,他提出了离散的情感理论即基本情绪。,一些心理学家推断变异的情绪在基本理论的基础上,例如,Ortony等人模型(24- - - - - -26]。这些概念化的情绪变化根据类型和数量,即使他们都证实了达尔文和埃克曼的普遍性的情感。尽管如此,大多数采用情绪情感研究基于这些离散理论的基本情感,模仿的六类:幸福、厌恶、恐惧、惊讶、悲伤和愤怒(7,27]。基本情绪被认为是普遍的在不同的文化和不同的人,被用于描述个人的情感状态(23,28]。每个基本情绪的特点是一个独特的面部表情(29日]。

技术进步的分析做出了巨大的情感,产生自动的面部表情识别。面部表情分类或识别的总体框架包括以下阶段(参考图2):图像采集、预处理、特征提取、特征选择和分类(30.]。

尽管已经有相当数量的调查和文献面部表情分类,我们所知,没有任何领域的全面系统回顾面部表情分类。在评估上面的调查和评论使用由Kitchenham[评估检查表31日),这是观察到,多数作者进行了复习,而不是系统的审查,面部表情的各个方面提供一般信息分类分析(32- - - - - -42]。此外,我们所知,没有现有的系统评价面部表情分类,激励我们的工作为现有文献试图检查审核的总体趋势最重要的方法。尽管一些评论也进行了系统综述;然而,他们检查的一般方法的各种面部表情识别阶段(43]。这个背景知识了解的决定进行系统回顾调查最利用:特征提取方法、特征选择技术、算法分类,验证方法和主要数据库使用从2010年到2021年上半年。

本文的其余部分的结构如下。部分2描述了本文中使用的方法。部分3介绍结果和讨论,以及结论和未来的工作部分4。

2。方法

的总体目标工作总结,分析和评估面部表情识别的领域,提供了一个最新的总结与回顾(1)最主要的特征选择方法用于面部表情识别,最使用特征选择技术,(2)(3)最常用的分类算法,大多数利用数据库(4),(5)最主要的模型验证方法。进一步指导方针提供给新手,技术使用时进行面部表情分类研究。这个系统的五个研究问题文献综述介绍了表1。

在本系统评价中,我们计划进行,并报告提出的基于过程系统综述(31日),规划、执行和报告的审核。在规划审查,首先建立了审查的理由以及审查协议的发展。审查协议的发展需要研究问题的定义、搜索策略设计、研究选择、质量评估、数据提取和数据合成。图3显示了审查协议。

首先,制定重点研究问题基于本工作的目的。搜索策略的设计,其中包括搜索条件的确定和选择合适的搜索引擎,检索相关文献资源会有用的后续搜索过程。随后,选择相关的研究,有助于解决研究问题,研究选择标准的定义。作为进一步的抛光研究选择标准的一部分,一个试点研究选择第一次使用。之后,几个质量检查表建立了评估质量评估过程中相关研究。数据提取的数据提取表单设计阶段,通过驾驶后精制的形式解决技术问题,如排序的问题。最后,收集到的数据合成的数据合成阶段。适当的方法来确定synthetization基于类型的数据,以及通过收集的数据来解决研究问题。审查协议的细节在以下部分中提出了(44]。

2.1。搜索策略

搜索词,搜索引擎和搜索过程包括搜索策略;以下是详细如下。

2.1.1。搜索条件

我们的搜索词派生Kitchenham等提出的使用步骤。45]:(我)从论文识别相关的关键词(2)使用替代的关键词的同义词(3)来自主要从研究问题

由此产生的搜索策略是使用关键字包括面部表情,机器学习,深度学习和分类。生成的搜索字符串使用的搜索引擎进行了使用以下协议:(i)面部表情和分类器和面部表情数据库和(2)面部表情特征提取和特征选择。生成的搜索字符串创建一个可控的大小之间的权衡以及报道。

2.1.2。搜索引擎

在制定搜索条件之后,适当的选择和相关搜索引擎。搜索引擎的选择国内大学并不限制他们的可用性。寻找主要研究是使用以下数据库:(i)电子和电气工程师学会(IEEE), (2) SpringerDirect, ScienceDirect (iii)。生成的搜索字符串只在上述数据库中搜寻文章然后限制搜索之间的时间1月1日,2010年,到2021年6月,包容,因为我们想调查最新进展或面部表情分类领域的趋势。

2.1.3。搜索过程

最初的非正式的搜索进行搜索过程任务确定的义务是否会产生足够的研究文献资源。在搜索引擎和搜索字符串被确定和已经定义,我们搜查了所有四个电子数据库单独的文章。文献检索的候选人资源被下载并导出到Excel。可能付不起ScienceDirect,然而,软件包JabRef (https://www.jabref.org/)是用来代替以来Excel电子数据库不可以选择导出到Excel,还允许只有100篇文章下载和出口。从长远来看,下载的文章后来被结合起来,导出到Excel的手动扫描和选择相关的文章。用于存储和管理的相关文章,软件包Mendeley利用(https://www.mendeley.com/)。图2介绍了搜索过程和论文的总数确定在每一个阶段。

2.2。研究选择

研究选择有助于过滤候选人论文,没有提供任何有用的信息在本文回答研究的问题。选择了两个phases-Selection阶段1和选择阶段2。选择第1阶段消除所有无关紧要的候选人文章无关回答研究问题的基础上,纳入和排除标准。然后,选择阶段2是用于选择相关论文基于质量评估标准。361个候选文章产生的搜索过程。有选择和淘汰候选人经过审查的文章标题,消除重复,选择潜在的相关论文后消除基于审查的抽象,入选标准,然后仔细阅读选定的相关论文在前一个阶段的质量评估审查。评审过程和可接受的质量来选择相关的论文,是用于数据提取(见图4)。

选择要包含在相关的文章系统回顾,制定以下搜索限制应用研究问题。

2.2.1。入选标准

这个过程包括包括期刊的文章,如以下:(我)论文的内容的主要目的是讨论基本情绪的面部表情和分类使用机器或深度学习算法都包括在内(2)文章在2010到2021的范围都包括在内(3)数据库用于分类任务在方法部分应该是人类的面孔。(iv)论文用英语写是包括在内。

2.2.2。排除标准

论文的内容是一个扩展的抽象或Powerpoint被排除在外。(我)书籍和杂志被排除在外(2)论文基于面部表情分析或疼痛疾病,如利他主义、抑郁症和帕金森被排除在外(3)回顾论文也被排除在外

因此,总共240潜在相关的文章得到选择第一阶段质量评估审查后选择第二阶段。后质量评估标准的应用在阶段2中,我们获得233年决赛相关研究如附录所示。

2.3。研究质量评估

措施,确保搜索的质量进行了审查。评论文章后手动完成原来的自动搜索。然后,我们验证了论文中包含或排除后的评估和分析标题和摘要。自动初始搜索文章是在隐私浏览进行以避免历史搜索的影响。此外,成立质量问卷评估包括的相关性研究。这些问题是制定测试相关性、严谨,论文的可信度。其中的一些问题来自温家宝et al。44,46]。每个问题是得分的这三个可选的答案:“是”= 1,“部分是的”= 0.5,“不”= 0。得到的分数总结从质量评估问题的答案评分,这是质量分数为每个包括研究。包括研究与质量5被认为包含以上的数据提取和合成过程。

2.4。数据提取

我们设计了一个数据形式在Excel中收集数据,从每个独立包括纸回答评审问题用表2。我们总结了信息特征提取和还原技术,算法,分类算法,验证方法,报告数据库。标准信息,比如公布细节,出版日期、标题、作者名称或作者的名称、出版地点也收集。在提取过程中,我们观察到并不是所有的包括研究提供所有审核问题的答案。在数据提取过程中遇到另一个问题是,一些文件使用不同的术语。例如,降维的特征选择在一些文件。为了避免歧义的问题,我们采用了术语特征选择。

2.5。数据合成

收集到的数据是保存在数据合成阶段使用。数据合成的目的是聚集和总结收集到的数据包括研究制定审查问题提供答案。答案从每个包括与相似或类似的研究证据的积累提供令人信服的答案。定量数据提取后综述,从而合成我们的结果,我们的结果显示在一个类似的方式(31日]。此外,我们利用叙事合成方法由于提取的数据由于我们的审查问题。因此,我们使用可视化技术,如漏斗图,集群酒吧图,线图,集群列和饼图。同时,我们采用表的使用摘要和演示的结果44,47]。

3所示。结果与讨论

3.1。纳入研究的特征的描述

在本节中,包括研究的简要概述。我们确定了233篇文章发表在2010年到2021年期间包容性的面部表情识别。每个问题回答的研究包括研究展示在表3。

3.2。出版年

的分布从2010年到2021年发表的文章图所示5。一般来说,分布显示了上升趋势在该研究领域的研究。图的线图5显示有一个陡峭的上升在2011年和2020年。2020年秋季可能占了一般的经济衰退在2020年因COVID-19大流行。出版物记载2021年只是一半,一个暗示它可能拍摄在今年年底以惊人的速度增长。出版的起义的上升趋势,我们预计会有非常多的文章,有一个增长的应用领域的面部表情,如人机交互、医学检测、疼痛自闭症,和安全47,48]。

3.3。出版来源

出版物的信息以及相应的期刊的主要研究是总结表4。包括研究报告发表在54个不同的期刊。《华尔街日报》,记录了大多数出版物是多媒体工具和应用程序提高六十三出版物。其次是Neurocomputing(18)和视觉计算机(16)。观察,大多数的我们的主要研究从ScienceDirect SpringerDirect。

3.4。系统回顾分析问题

3.4.1。什么是最常用的面部表情特征提取方法分类(RQ1) ?

开发更好的模型,提出了相当数量的技术,利用多年来47]。特征提取主要被认为是第二个最重要的步骤在面部表情识别特性的选择是一个重要的任务。它有助于在代表面部图像有效地提取面部图像的细微变化成一个特征向量(40,49]。结果显示在图6表明局部二进制模式(LBP)是最常用的特征提取方法,它占所有的22.9%的研究人员所使用的29(29)方法。这是紧随其后的是相关的几何方法,也占14%。尽管报道小于枸杞多糖,研究报告24个不同的几何方法在12年的研究制定。第三和第四个最常利用技术是面向梯度的柱状图(猪-12.9%)和伽柏(10.5%),分别为。其他使用方法是尺度不变特征变换(筛选),复杂的神经网络(CNN)的组合有限目的银行模式和猪,线性判别分析(LDA),离散小波变换(DWT),当地的三元模式(LTP),面向梯度(PHOG)的柱状图。其他的方法都显示在图6。研究还发现,各种变异的特征提取方法正在开发中。方法,如枸杞多糖,CNN,猪,和伽柏,有不同的先进的变体。

根据山等。50)和Zavaschi et al。51],提出的原始LBP Ojala et al。52]经常超过广泛采用伽柏因其节省计算资源,同时保留面部信息的能力以及其照明的宽容。Chengeta和Viriri37]国家,枸杞多糖已被广泛采用,因为它具有旋转和灰度不变性质。Zavaschi et al。51]国家伽柏过滤器为面部表情分类性能优越;因此,第三个采用技术。然而,枸杞多糖相比,作者(41]提到伽柏过滤器通常达到一个更好的精度在82.5%和99%之间,不太复杂。图提取技术呈现在图6。

3.4.2。最使用面部表情分类特征选择或减少技术(RQ2) ?

在本节中,各种特征选择技术利用十二年期内进行了总结。特征选择有助于选择最重要的特性,丢弃不重要的(47,53]。注意到从图7只有33%的包含文章使用特征选择方法。相比其他方法,主成分分析为主的研究多年来关注的比例为30.6%,这是紧随其后的是18.1%的线性判别分析。在肯定我们的结果从其他相关评论,Revina和伊曼纽尔41]和风扇和Tjahjadi [54)表示,PCA是最采用技术特征选择在几个特征选择算法,如LDA和演算法。如上所述,也可以使用PCA特征提取,提取全球及低维特征。再一次,可能的原因PCA已经得到了很多认可作为特征选择算法在面部表情识别是它表现良好在去除不相关的特性,提高可视化。主成分分析也称减少过度拟合。这些都是真正的要点,改善面部表情识别;因此,PCA是安装在被采纳。

3.4.3。什么是最主要的算法用于面部表情识别(RQ3) ?

本节总结了各种算法用于面部表情识别。一直使用的分布算法如图8。理想情况下,分类是面部表情识别的最后阶段(40]。必须训练分类器分类表达悲伤,愤怒,恐惧,快乐,厌恶,令人惊讶的是,中性,有时其他情绪像快乐和微笑27,41]。结果记录,支持向量机(SVM)是最主要的算法,它仅占48.6%。SVM的变种,例如迭代universum双子支持向量机。其次是SVM卷积神经网络(CNN),也占20.6%。再(资讯)和隐马尔可夫模型(HMM)是第三和第四常采用算法,分别。其他不使用算法,包括研究的总结发现图8。此外,它是观察到一些算法与其他算法融合分类。例如,朴素贝叶斯与神经网络集成的提振,和随机森林与SVM贴标签机。

总之,这是观察到支持向量机分类的受欢迎的选择是面部表情。作者在41,55)确认,支持向量机是最可用的分类器对面部表情分类产生更好的分类和识别精度。

3.4.4。最利用数据库是什么面部表情分类(RQ4) ?

摘要大多数利用数据库的频率是呈现在图9。数据库是用于验证提出方法。我们的研究结果发现43(43)不同的数据库。图9显示的频率使用周期内的数据库。

从我们的结果,CK +和JAFFE表现好于90年和100年之间的其他数据库与精度。自然的原因可能是二维的。即使是现在,有很多在二维面部表情识别的研究。此外,观察到,CK +比贾菲在几个实验。CK +由构成和自发的(只有微笑表情)视频序列的非裔美国人,欧美,和其他人在18-50岁(6%),和杰夫由213构成图像从10日本女性56,57]。尽管CK +是构成的组合和自发的微笑表情,它通常分为aposed数据库(34,36]。各种不同的表达式在CK +可以让它有用的各种面部表情的研究,也就是说,姿势,情感,年龄、2 d和3 d。黑皮肤的组合、肤色和白种人甚至在面部表情的研究更现实。

在一些几年前,Revina和伊曼纽尔41]Kumar和Sharma [55)报道,JAFFE和CK是最使用的数据库。然而,这项研究已经证明并非如此。

3.4.5。最主要是什么验证方法对模型评价面部表情分类(RQ5) ?

交叉验证是有用的在评估模型的准确性。这是通过将数据库分成两组:一个用于训练模型,另一个用于测试(44,56]。通常的交叉验证方法分析交叉和k-fold,特别是10倍和5倍,验证。发表研究论文采用验证表所示3。图10展示了各种验证方法如何用于12年时期。k-fold通过训练和测试k乘以完全避免过度拟合和underfitting34]。与我们的研究结果相似,Bengio和勒存57)确认k-fold是常采用的验证方法。

在直接交叉验证,k= 10是更有吸引力的计算效率。此外,低k值,如2或3,有很大的偏见,即使他们计算的效率。

4所示。结论

在这项研究中,我们系统地回顾了面部表情识别的领域通过调查最主要的技术在不同阶段使用,如特征提取、选择和分类。首先,我们确定了233篇论文发表在2010年到2021年,执行后的一系列系统的步骤和质量评估。然后,我们提取、分析和总结整理的数据基于最利用:包括研究特征提取技术,特征选择方法,分类算法,数据库,验证算法。相关的研究结果如下:(我)特征提取中使用的技术是29(29)和最使用的局部二进制模式(LBP)的几何方法,猪,伽柏,尺度不变特征变换(筛选),卷积神经网络(CNN),粒子成分分析(PCA)、小波变换、曲波变换,活动外观模型(AAM)。(2)常用的特征选择方法是主成分分析和LDA。别人演算法,CNN,离散余弦变换(DCT)和遗传算法(GA)。(3)共有19(19)分类器使用和最受欢迎的是支持向量机(SVM)和CNN。这两种技巧仅占69.8%的最小的19个不同的技术和一些常见的采用决策树技术和人工神经网络。(iv)共有43个数据库是使用CK +,贾菲,MMI, CK, BU-3DEFE,拿来- 2013和SFEW仅占68.4%。(v)所有五个不同的验证方法是使用10倍验证是最流行的方法。其他人则LOSO, 5倍、4倍和三倍。

本文专门研究人员提供建议和指导,对新领域的研究人员没有足够的背景的面部表情分类分析方法采用的研究工作,因为这些优秀和最常用的技术将在正确的有用的和有效的解决面部表情(38]。

对于未来的工作,我们将调查这些主要方法和数据库的结合将如何执行的分类精度。

附录

样本选择233年回顾论文如下:(P1) Berretti, S。阿莫,B, B。Daoudi, M。,& Del Bimbo, A. (2011). 3D facial expression recognition using SIFT descriptors of automatically detected keypoints. The Visual Computer, 27 (11), 1021–1036.(P2) Jeni, l。Lőrincz,。Nagy, T。,Palotai, Z., Sebők, J., Szabó, Z., & Takács, D. (2012). 3D shape estimation in video sequences provides high precision evaluation of facial expressions. Image and Vision Computing, 30 (10), 785–795.(P3)方,T。赵,X。,Ocegueda, O., Shah, S. K., & Kakadiaris, I. A. (2012). 3D/4D facial expression analysis: an advanced annotated face model approach. Image and vision Computing, 30 (10), 738–749.(P4) Zarbakhsh, P。,& Demirel, H. (2019). 4D facial expression recognition using multimodal time series analysis of geometric landmark-based deformations. The Visual Computer, 1–15.(P5) Nejadgholi,我。,SeyyedSalehi, S. A., & Chartier, S. (2017). A brain-inspired method of facial expression generation using chaotic feature extracting bidirectional associative memory. Neural Processing Letters, 46 (3), 943–960.(P6) Uddin, m Z。,& Hassan, M. M. (2015). A depth video-based facial expression recognition system using radon transform, generalized discriminant analysis, and hidden Markov model. Multimedia Tools And Applications, 74 (11), 3675–3690.(第七页)风扇,X。杨,X。,你们问。,& Yang, Y. (2018). A discriminative dynamic framework for facial expression recognition in video sequences. Journal of Visual Communication and Image Representation, 56, 182–187.(P8) Rabhi, Y。Mrabet, M。,& Fnaiech, F. (2018). A facial expression controlled wheelchair for people with disabilities. Computer methods and programs in biomedicine, 165, 89–105.(票数)陈。兴,H。,& Wang, F. (2020). A facial expression recognition method using deep convolutional neural networks based on edge computing. IEEE Access, 8, 49741–49751.P10 Uddin, m Z。哈桑,M . M。Almogren,。Zuair, M。,Fortino, G., & Torresen, J. (2017). A facial expression recognition system using robust face features from depth videos and deep learning. Computers & Electrical Engineering, 63, 114–125.(侯)Ghazouani h (2021)。基因programming-based特征选择和融合面部表情识别。应用软计算,103年,107173年。P12 Ruiz-Garcia, A。Elshaw, M。,Altahhan, A., & Palade, V. (2018). A hybrid deep learning neural approach for emotion recognition from facial expressions for socially assistive robots. Neural Computing and Applications, 29 (7), 359–373.P13周,J。张,S。梅,H。,& Wang, D. (2016). A method of facial expression recognition based on Gabor and NMF. Pattern Recognition and Image Analysis, 26 (1), 119–124.[好]詹,y Z。程,k . Y。陈,y . B。,& Wen, C. J. (2010). A new classifier for facial expression recognition: fuzzy buried Markov model. Journal of computer science and technology, 25 (3), 641–650.P15 Ucar, A。Demir, Y。,& Güzeliş, C. (2016). A new facial expression recognition based on curvelet transform and online sequential extreme learning machine initialized with spherical clustering. Neural Computing and Applications, 27 (1), 131–142.P16邹,W。张,D。,& Lee, D. J. (2021). A new multi-feature fusion based convolutional neural network for facial expression recognition. Applied Intelligence, 1–12.P17 Greche, L。议长,M。,Kachouri, R., & Es-Sbai, N. (2019). A new pipeline for the recognition of universal expressions of multiple faces in a video sequence. Journal of Real-Time Image Processing, 1–14.(P18)可乐,d·g·R。,& Samayamantula, S. K. (2021). A novel approach for facial expression recognition using local binary pattern with adaptive window. Multimedia Tools and Applications, 80 (2), 2243–2262.P19 Silwal, R。Alsadoon,。,Prasad, P. W. C., Alsadoon, O. H., & Al-Qaraghuli, A. (2020). A novel deep learning system for facial feature extraction by fusing CNN and MB-LBP and using enhanced loss function. Multimedia Tools and Applications, 79 (41), 31027–31047.(P20) Ilbeygi, M。,& Shah-Hosseini, H. (2012). A novel fuzzy facial expression recognition system based on facial feature extraction from color face images. Engineering Applications of Artificial Intelligence, 25 (1), 130–146.P21[]阿方斯,a。,& Starvin, M. S. (2019). A novel maximum and minimum response-based Gabor (MMRG) feature extraction method for facial expression recognition. Multimedia Tools and Applications, 78 (16), 23369–23397.(第22位)齐亚,m . S。侯赛因,M。,& Jaffar, M. A. (2018). A novel spontaneous facial expression recognition using dynamically weighted majority voting based ensemble classifier. Multimedia Tools and Applications, 77 (19), 25537–25567.P23 Vedantham, R。,& Reddy, E. S. (2020). A robust feature extraction with optimized DBN-SMO for facial expression recognition. Multimedia Tools and Applications, 79 (29), 21487–21512.(P24), G。刘,S。,& Ruan, Q. (2017). A sparse neighborhood preserving non-negative tensor factorization algorithm for facial expression recognition. Pattern Analysis and Applications, 20 (2), 453–471.(P25)风扇,X。,& Tjahjadi, T. (2015). A spatial-temporal framework based on histogram of gradients and optical flow for facial expression recognition in video sequences. Pattern Recognition, 48 (11), 3407–3416.P26胡,M。通用电气,P。,Wang, X., Lin, H., & Ren, F. (2021). A spatio-temporal integrated model based on local and global features for video expression recognition. The Visual Computer, 1–18.P27 Danelakis, A。Theoharis, T。,& Pratikakis, I. (2016). A spatio-temporal wavelet-based descriptor for dynamic 3D facial expression retrieval and recognition. The visual computer, 32 (6), 1001–1011.P28赵,X。,Dellandréa, E., Zou, J., & Chen, L. (2013). A unified probabilistic framework for automatic 3D facial expression analysis based on a Bayesian belief inference and statistical feature models. Image and Vision Computing, 31 (3), 231–245.(第29页),J。,& Wang, Z. (2017). A video-based facial motion tracking and expression recognition system. Multimedia Tools and Applications, 76 (13), 14653–14672.[e]太阳,W。赵,H。,& Jin, Z. (2018). A visual attention based ROI detection method for facial expression recognition. Neurocomputing, 296, 12–22.江(奔跑),P。刘,G。,Wang, Q., & Wu, J. (2020). Accurate and reliable facial expression recognition using advanced softmax loss with fixed weights. IEEE Signal Processing Letters, 27, 725–729.(第9)Siddiqi, m . h (2018)。准确的和健壮的面部表情识别系统使用实时youtube数据集。应用智能,48 (9),2912 - 2929。P33欧阳,Y。唱,N。,& Huang, R. (2015). Accurate and robust facial expressions recognition by fusing multiple sparse representation based classifiers. Neurocomputing, 149, 71–78.意思是彭,Y。,& Yin, H. (2018). Facial expression analysis and expression-invariant face recognition by manifold-based synthesis. Machine Vision and Applications, 29 (2), 263–284.78.P35区域Kommineni, J。曼荼罗,S。,Sunar, M. S., & Chakravarthy, P. M. (2021). Accurate computing of facial expression recognition using a hybrid feature extraction technique. The Journal of Supercomputing, 77 (5), 5019–5044.P36姚,L。湾,Y。、镍、H。,& Xu, B. (2021). Action unit classification for facial expression recognition using active learning and SVM. Multimedia Tools and Applications, 1–15.[P37]姚明,L。湾,Y。、镍、H。,& Xu, B. (2021). Action unit classification for facial expression recognition using active learning and SVM. Multimedia Tools and Applications, 1–15.(人们)邓,X。,哒,F。,& Shao, H. (2017). Adaptive feature selection based on reconstruction residual and accurately located landmarks for expression-robust 3D face recognition. Signal, Image and Video Processing, 11 (7), 1305–1312.P39 Kommineni, J。曼荼罗,S。,Sunar, M. S., & Chakravarthy, P. M. (2020). Advances in computer–human interaction for detecting facial expression using dual tree multi band wavelet transform and Gaussian mixture model. Neural Computing and Applications, 1–12.(P40)齐亚,m . S。,& Jaffar, M. A. (2015). An adaptive training based on classification system for patterns in facial expressions using SURF descriptor templates. Multimedia Tools and Applications, 74 (11), 3881–3899.P41太阳,Z。,胡锦涛,z . P。,Chiong, R., Wang, M., & Zhao, S. (2018). An adaptive weighted fusion model with two subspaces for facial expression recognition. Signal, Image and Video Processing, 12 (5), 835–843.(第42页)奥乌苏,E。,& Wiafe, I. (2021). An advance ensemble classification for object recognition. Neural Computing and Applications, 1–12.[P43]罗伊,s D。、Bhowmik m K。萨哈,P。,& Ghosh, A. K. (2016). An approach for automatic pain detection through facial expression. Procedia Computer Science, 84, 99–106.P44 Danelakis, A。Theoharis, T。,Pratikakis, I., & Perakis, P. (2016). An effective methodology for dynamic 3D facial expression retrieval. Pattern Recognition, 52, 174–185.下岗通知尚,P。,& Nickolas, S. (2021). An efficient automatic facial expression recognition using local neighborhood feature fusion. Multimedia Tools and Applications, 80 (7), 10187–10212.P46 Ch,美国(2021年)。一个有效的面部表情识别系统使用小说深度学习神经network-regression激活分类器。多媒体工具和应用程序,80 (12)17543 - 17568。[P47]太阳,W。赵,H。,& Jin, Z. (2017). An efficient unconstrained facial expression recognition algorithm based on stack binarized auto-encoders and binarized neural networks. Neurocomputing, 267, 385–395.P48赛义德,S。,Mahmood, M. K., & Khan, Y. D. (2018). An exposition of facial expression recognition techniques. Neural Computing and Applications, 29 (9), 425–443.[P49]太阳,Z。Chiong, R。,& Hu, Z. P. (2018). An extended dictionary representation approach with deep subspace learning for facial expression recognition. Neurocomputing, 316, 1–9.(P50)奥乌苏,E。詹,Y。,& Mao, Q. R. (2014). An SVM-AdaBoost facial expression recognition system. Applied intelligence, 40 (3), 536–545.多样的电影,一个。、Orlandi年代。,Escalante, H. J., Giovannelli, F., Cincotta, M., Reyes-Garcia, C. A., ... & Manfredi, C. (2017). Analysis of facial expressions in Parkinson’s disease through video-based automatic methods. Journal of neuroscience methods, 281, 7–20.P52 Alugupally, N。Samal,。,马克思,D。,& Bhatia, S. (2011). Analysis of landmarks in recognition of face expressions. Pattern Recognition and Image Analysis, 21 (4), 681–693.P53 Soyel, H。Tekguc U。,& Demirel, H. (2011). Application of NSGA-II to feature selection for facial expression recognition. Computers & Electrical Engineering, 37 (6), 1232–1240.(意味着)刘,M。李,S。,Shan, S., & Chen, X. (2015). Au-inspired deep networks for facial expression feature learning. Neurocomputing, 159, 126–136.(过去)Arora, M。,& Kumar, M. (2021). AutoFER: PCA and PSO based automatic facial emotion recognition. Multimedia Tools and Applications, 80 (2), 3039–3049.P56 Mlakar, U。,& Potočnik, B. (2015). Automated facial expression recognition based on histograms of oriented gradient feature vector differences. Signal, Image and Video Processing, 9 (1), 245–253.P57 Berretti, S。▽女人,。,& Pala, P. (2013). Automatic facial expression recognition in real-time from dynamic sequences of 3D face scans. The Visual Computer, 29 (12), 1333–1350.P58 Mayya, V。拜,r . M。,& Pai, M. M. (2016). Automatic facial expression recognition using DCNN. Procedia Computer Science, 93, 453–461.P59 Lajevardi, s M。,& Hussain, Z. M. (2012). Automatic facial expression recognition: feature extraction and selection. Signal, Image and video processing, 6 (1), 159–169.陈(P60), J。Lv, Y。徐,R。,& Xu, C. (2019). Automatic social signal analysis: Facial expression recognition using difference convolution neural network. Journal of Parallel and Distributed Computing, 131, 97–102.P61李,S。,& Deng, W. (2019). Blended emotion in-the-wild: Multi-label facial expression recognition using crowdsourced annotations and deep locality feature learning. International Journal of Computer Vision, 127 (6), 884–906.P62阿里,G。,Iqbal, M. A., & Choi, T. S. (2016). Boosted NNE collections for multicultural facial expression recognition. Pattern Recognition, 55, 14–27.P63王,Y。盾,X。李,G。,Dong, J., & Yu, H. (2021). Cascade regression-based face frontalization for dynamic facial expression analysis. Cognitive Computation, 1–14.P64 Mermillod, M。小笠原,P。,Mondillon, L., Alleysson, D., & Vermeulen, N. (2010). Coarse scales are sufficient for efficient categorization of emotional facial expressions: Evidence from neural computation. Neurocomputing, 73 (13–15), 2522–2531.P65刘,Y。元,X。锣,X。谢,Z。,Fang, F., & Luo, Z. (2018). Conditional convolution neural network enhanced random forest for facial expression recognition. Pattern Recognition, 84, 251–261.P66舍希德,a。R。汗,S。,& Yan, H. (2020). Contour and region harmonic features for sub-local facial expression recognition. Journal of Visual Communication and Image Representation, 73, 102949.P67梁,D。梁,H。Yu, Z。,& Zhang, Y. (2020). Deep convolutional BiLSTM fusion network for facial expression recognition. The Visual Computer, 36 (3), 499–508.(2)辽、H。王,D。风扇,P。,& Ding, L. (2021). Deep learning enhanced attributes conditional random forest for robust facial expression recognition. Multimedia Tools and Applications, 1–19.陈(P69), J。徐,R。,& Liu, L. (2018). Deep peak-neutral difference feature for facial expression recognition. Multimedia Tools and Applications, 77 (22), 29871–29887.P70李,H。,& Xu, H. (2020). Deep reinforcement learning for robust emotional classification in facial expression recognition. Knowledge-Based Systems, 204, 106172.P71库马尔,m . P。,& Rajagopal, M. K. (2019). Detecting facial emotions using normalized minimal feature vectors and semi-supervised twin support vector machines classifier. Applied Intelligence, 49 (12), 4150–4174.[P72]太阳,Z。,胡锦涛,z . P。王,M。,& Zhao, S. H. (2019). Dictionary learning feature space via sparse representation classification for facial expression recognition. Artificial Intelligence Review, 51 (1), 1–18.P73伊姆兰,s M。拉赫曼,s M。,& Hatzinakos, D. (2016). Differential components of discriminative 2D Gaussian–Hermite moments for recognition of facial expressions. Pattern Recognition, 56, 100–115.P74桑切斯,A。鲁伊斯,j . V。,更多的no, A. B., Montemayor, A. S., Hernández, J., & Pantrigo, J. J. (2011). Differential optical flow applied to automatic facial expression recognition. Neurocomputing, 74 (8), 1272–1282.[我]周,L。风扇,X。,Tjahjadi, T., & Choudhury, S. D. (2021). Discriminative attention-augmented feature learning for facial expression recognition in the wild. Neural Computing and Applications, 1–12.P76 Saurav, S。Gidde, P。赛,R。,& Singh, S. (2021). Dual integrated convolutional neural network for real-time facial expression recognition in the wild. The Visual Computer, 1–14.P77邵,J。,& Cheng, Q. (2021). E-FCNN for tiny facial expression recognition. Applied Intelligence, 51 (1), 549–559.(只有)Jain, N。库马尔,S。,& Kumar, A. (2019). Effective approach for facial expression recognition using hybrid square-based diagonal pattern geometric model. Multimedia Tools and Applications, 78 (20), 29555–29571.(P79)之一Meena h·K。沙玛,K . K。,& Joshi, S. D. (2020). Effective curvelet-based facial expression recognition using graph signal processing. Signal, Image and Video Processing, 14 (2), 241–247.[P80]王,Y。,看,J。,Oh, Y. H., Phan, R. C. W., Rahulamathavan, Y., Ling, H. C., ... & Li, X. (2017). Effective recognition of facial micro-expressions with video motion magnification. Multimedia Tools and Applications, 76 (20), 21665–21690.P81谢长廷,C . C。Hsih, m . H。,Jiang, M. K., Cheng, Y. M., & Liang, E. H. (2016). Effective semantic features for facial expressions recognition using SVM. Multimedia Tools and Applications, 75 (11), 6663–6682.(P82), M。李,X。,Sun, W., Wang, X., & Wang, S. (2021). Efficient convolutional neural network with multi-kernel enhancement features for real-time facial expression recognition. Journal of Real-Time Image Processing, 1–12.(P83)尼噶的,年代。辛格,R。,& Misra, A. K. (2018). Efficient facial expression recognition using histogram of oriented gradients in wavelet domain. Multimedia tools and applications, 77 (21), 28725–28747.P84 Saurav, S。赛,R。,& Singh, S. (2021). EmNet: a deep integrated convolutional neural network for facial emotion recognition in the wild. Applied Intelligence, 1–28.P85 Yadav, s p (2021)。基于面部表情的情感识别模型。多媒体工具和应用程序,1。P86沙玛,M。塔拉,a。,& Khan, A. (2019). Emotion recognition using facial expression by fusing key points descriptor and texture features. Multimedia Tools and Applications, 78 (12), 16195–16219.P87 Yurtkan, K。,& Demirel, H. (2014). Entropy-based feature selection for improved 3D facial expression recognition. Signal, Image and Video Processing, 8 (2), 267–277.P88帕蒂尔,h . Y。Kothari, a G。,& Bhurchandi, K. M. (2016). Expression invariant face recognition using local binary patterns and contourlet transform. Optik, 127 (5), 2670–2678.[P89]王,W。常,F。刘,Y。,& Wu, X. (2017). Expression recognition method based on evidence theory and local texture. Multimedia Tools and Applications, 76 (5), 7365–7379.P90马丁斯,j。林,r . L。,Rodrigues, J. M. F., & du Buf, J. H. (2018). Expression-invariant face recognition using a biological disparity energy model. Neurocomputing, 297, 82–93.P91邓,X。,哒,F。,& Shao, H. (2017). Expression-robust 3D face recognition based on feature-level fusion and feature-region fusion. Multimedia Tools and Applications, 76 (1), 13–31.[先驱]Samad R。,& Sawada, H. (2011). Extraction of the minimum number of Gabor wavelet parameters for the recognition of natural facial expressions. Artificial Life and Robotics, 16 (1), 21–31.P93 Lekdioui, K。Messoussi, R。Ruichek, Y。迷迷糊糊,Y。,& Touahni, R. (2017). Facial decomposition for expression recognition using texture/shape descriptors and SVM classifier. Signal Processing: Image Communication, 58, 300–312.P94风扇,W。,& Bouguila, N. (2015). Face detection and facial expression recognition using simultaneous clustering and feature selection via an expectation propagation statistical learning framework. Multimedia Tools and Applications, 74 (12), 4303–4327.(P95)凹地,n . B。先生,k . S。,Sangaiah, A. K., & Bakshi, S. (2019). Face expression recognition system based on ripplet transform type II and least square SVM. Multimedia Tools and Applications, 78 (4), 4789–4812.P96 Revina, i M。,& Emmanuel, W. S. (2019). Face expression recognition with the optimization based multi-SVNN classifier and the modified LDP features. Journal of Visual Communication and Image Representation, 62, 43–55.[P97]史密斯,r S。,& Windeatt, T. (2015). Facial action unit recognition using multi-class classification. Neurocomputing, 150, 440–448.(P98)萨贾德,M。沙阿,。1月,Z。,Shah, S. I., Baik, S. W., & Mehmood, I. (2018). Facial appearance and texture feature-based robust facial expression recognition framework for sentiment knowledge discovery. Cluster Computing, 21 (1), 549–567.P99 Lekdioui, K。Messoussi, R。Ruichek, Y。迷迷糊糊,Y。,& Touahni, R. (2017). Facial decomposition for expression recognition using texture/shape descriptors and SVM classifier. Signal Processing: Image Communication, 58, 300–312.P100森,D。达塔,S。,& Balasubramanian, R. (2019). Facial emotion classification using concatenated geometric and textural features. Multimedia Tools and Applications, 78 (8), 10287–10323.

数据可用性

本研究没有研究数据。

的利益冲突

作者宣称没有利益冲突。

引用

1. c .达尔文人类与动物在情感表达上的异同约翰·默里,伦敦,英国,1872年。
2. v . a . Petrushin”在语音信号情感识别:实验研究,发展,和应用程序,”学报第六届国际会议上口头语言处理2000年,北京,中国。视图:谷歌学术搜索
3. 美国Mitsuyoshi f . Ren,“情感识别,”《日本的电气工程师学会,卷125,不。10日,641 - 644年,2005页。视图:出版商的网站|谷歌学术搜索
4. d·a·莫里茨”理解愤怒,”美国护理杂志》,卷78,不。1,p。81年,1978。视图:出版商的网站|谷歌学术搜索
5. a . m . Shahsavarani Noohi,贾法里,m . h . Kalkhoran和s . Hatefi”评估&测量愤怒的行为和社会科学:一项系统回顾文献,”国际医学评论》杂志上,卷2,不。3、279 - 286年,2015页。视图:谷歌学术搜索
6. j . A . Dominguez-Jimenez k.c. Campo-Landines, j . c . Martinez-Santos e . j . Delahoz和s . h . Contreras-Ortiz”情感识别的机器学习模型从生理信号,”生物医学信号处理和控制卷,55 ID 101646条,2020年。视图:出版商的网站|谷歌学术搜索
7. m . Kowalska和m . Wrobel”基本情绪。”个性与个体差异》的百科全书施普林格,柏林,德国,2017年。视图:出版商的网站|谷歌学术搜索
8. d . k . Kirange和r·r·德斯穆克”情感新闻标题使用SVM分类”亚洲计算机科学和信息技术杂志》上5卷,第106 - 104页,2012年。视图:谷歌学术搜索
9. s . g . Mangalagowri和p . c . p . Raj脑电图特征提取和分类使用前馈backpropogation情感检测算法”学报2016年国际会议上电气、电子、通信、计算机和优化技术Mysuru,页183 - 187年,印度,2016。视图:出版商的网站|谷歌学术搜索
10. c·e·伊泽德,“基本情绪,自然种类,情感模式,和一个新的范例,”心理科学观点,卷2,不。3、260 - 280年,2007页。视图:出版商的网站|谷歌学术搜索
11. m . Feidakis回顾Emotion-Aware系统在虚拟环境中学习爱思唯尔公司,荷兰阿姆斯特丹,2016年。
12. w l。郑,w·刘,y, B.-L。陆,a . Cichocki“EmotionMeter:多通道框架识别人类情感”IEEE控制论卷,49号3、1110 - 1122年,2019页。视图:出版商的网站|谷歌学术搜索
13. t . Keshari和美国Palaniswamy情感识别使用特性融合的面部表情和肢体动作,”《2019年国际会议上沟通和电子系统(icc),哥印拜陀,印度,2019。视图:出版商的网站|谷歌学术搜索
14. a . Mehrabian“一些指示物和非语言行为的措施,”行为研究方法和仪器,1卷,1968年。视图:谷歌学术搜索
15. m . Pantic a . Pentland a Nijholt, t . s . Hunag“人类计算和机器对人类行为的理解,”2007年,https://ibug.doc.ic.ac.uk/media/uploads/documents/LNAI-PanticEtAl-CAMERA.pdf。视图:谷歌学术搜索
16. p . a . Abhang b . w . Gawali, s . c . Mehrotra“多通道情感识别,”介绍脑电图和基于语音情感识别、学术出版社、剑桥、马、美国、2016。视图:出版商的网站|谷歌学术搜索
17. s . l .快乐,p . Patnaik a . Routray和r·德拉·“印度自发表达情感识别数据库,”IEEE情感计算,8卷,不。1,第142 - 131页,2017。视图:出版商的网站|谷歌学术搜索
18. j . Gonzalez-sanchez m . Baydogan m . e . Chavez-echeagaray k·罗伯特,和w·布勒松,影响测量:通过一个路线图的方法、技术和数据分析爱思唯尔公司,荷兰阿姆斯特丹,2017年。
19. r·贾米尔A Singhal, A .邦萨尔”面部表情识别技术的综合研究,”学报2016年6日云系统和大数据工程国际会议(融合),诺伊达,印度,2016。视图:出版商的网站|谷歌学术搜索
20. 答:利润率、a . Basavaraj和r·k·Nithin”有效的面部表情绝大多数识别和分类系统基于形态学处理额的脸图像,”学报2015年IEEE 10日工业和信息系统国际会议(ICIIS)Peradeniya,斯里兰卡,2016。视图:出版商的网站|谷歌学术搜索
21. m . Pantic和m . s . Bartlett机分析的面部表情IntchOpen卷。5日,伦敦,英国,2007年。
22. 美国迪豪和p . Sethi几何和外观特性为面部表情识别分析,“国际工程科技的进步杂志》上,5卷,不。3、1 - 11,2014页。视图:谷歌学术搜索
23. p .埃克曼,“Universal-facial-expressions-of-emotions”,加州心理健康研究消化,8卷,第158 - 151页,1970年。视图:谷歌学术搜索
24. a . Ortony t·j·特纳,“基本对基本情绪是什么?”心理评估,卷97,不。3、315 - 331年,1990页。视图:出版商的网站|谷歌学术搜索
25. r . Plutchik“情感的本质”,哲学研究,52卷,不。3、393 - 409年,1987页。视图:出版商的网站|谷歌学术搜索
26. j·A·拉塞尔·g·普拉特,“情感的描述质量归因于环境,”人格与社会心理学杂志》上,38卷,不。2、311 - 322年,1980页。视图:出版商的网站|谷歌学术搜索
27. http://ugspace.ug.edu.gh/bitstream/handle/123456789/36407/Detecting%20Anger%20in%20Persuasive%20Spaces%20An%20Evaluation%20of%20Facial%20Expression%20Algorithms.pdf1。
28. 哈克和p·杰克逊”,机试镜:原理、算法和系统,第八章,“2010年,http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:机+面试+ +和+ +原则+,+算法系统# 1。视图:谷歌学术搜索
29. p .埃克曼面部表情美国新泽西,Siegman &费尔德斯坦、山谷,1977。
30. h·g·瓦莱罗能源面部表情自动识别曼彻斯特大学,曼彻斯特,英国,2016年。
31. b . Kitchenham”程序来执行系统的文学评论,“技术代表、英国基尔大学、基尔,英国,2004年,技术报告。视图:谷歌学术搜索
32. Verma A . l . k .沙玛,“人类面部表情检测一个全面的调查,“图像处理的国际期刊,7卷,不。7,171 - 182年,2013页。视图:谷歌学术搜索
33. A . Lonare s . v . Jain,“情感识别面部表情分析调查,“国际先进的计算机和通信工程的研究》杂志上,卷2,不。12日,第4650 - 4647页,2013年。视图:谷歌学术搜索
34. 黄y . f . Chen s Lv, x,面部表情识别:一项调查,“对称,11卷,不。10日,1189 - 1228年,2019页。视图:出版商的网站|谷歌学术搜索
35. x张赵和美国,“回顾面部表情识别:特征提取和分类,“IETE技术评审,33卷,不。5,505 - 517年,2016页。视图:出版商的网站|谷歌学术搜索
36. o . Ekundayo和美国Viriri面部表情识别:回顾方法,表演和限制,”会议信息通讯技术和学会学报2019 (ICTAS)2019年,德班,南非。视图:出版商的网站|谷歌学术搜索
37. k . Chengeta和美国Viriri”,当地的回顾,全面和深度学习方法在面部表情识别中,”会议信息通讯技术和学会学报2019 (ICTAS)2019年,德班,南非。视图:出版商的网站|谷歌学术搜索
38. g . Hemalatha和c·p·Sumathi面部检测技术的研究和表达分类,“国际计算机科学与工程杂志调查,5卷,不。2,27-37,2014页。视图:出版商的网站|谷歌学术搜索
39. r . j . Kumari Rajesh, k . m . Pooja“面部表情识别:一项调查,”Procedia计算机科学58卷,第491 - 486页,2015年。视图:出版商的网站|谷歌学术搜索
40. n Bhardwaj m .武断的话,“回顾:面部表情检测技术和应用程序中,“国际期刊的信号处理、图像处理和模式识别,9卷,不。6,149 - 158年,2016页。视图:出版商的网站|谷歌学术搜索
41. i m . Revina和w·r·s·伊曼纽尔”调查人脸表情识别技术”,沙特国王大学计算机与信息科学杂志》上33卷,第628 - 619页,2018年。视图:出版商的网站|谷歌学术搜索
42. 诉Mokaya h·辛格,“面部表情识别和分析技术”,国际期刊的管理、技术和工程,8卷,不。12日,第1348 - 1336页,2018年。视图:谷歌学术搜索
43. d . Canedo和a·j·r·内维斯”,面部表情识别使用计算机视觉:系统回顾,“应用科学,9卷,不。21日,第4731 - 4678页,2019年。视图:出版商的网站|谷歌学术搜索
44. 林j .温家宝,李,z, y,黄和c”系统的文献综述基于机器学习的软件开发工作评估模型,”信息与软件技术,54卷,不。1,41-59,2012页。视图:出版商的网站|谷歌学术搜索
45. b . a . Kitchenham e·门德斯,g . h . Travassos“交叉和在公司的成本估算研究:系统回顾,“IEEE软件工程,33卷,不。5,316 - 329年,2007页。视图:出版商的网站|谷歌学术搜索
46. t . Dyba和t . Dingsøyr敏捷软件开发的实证研究:系统回顾,“信息与软件技术,50卷,不。9 - 10,833 - 859年,2008页。视图:出版商的网站|谷歌学术搜索
47. r . Malhotra“机器学习技术的系统回顾软件故障预测,“应用软计算27卷,第518 - 504页,2015年。视图:出版商的网站|谷歌学术搜索
48. h . m .伊斯兰教,m·哈桑x Wang Germack,和m . Noor-E-Alam”在医疗系统回顾分析:应用程序和数据挖掘的理论角度来看,“医疗保健》第六卷,没有。2,p。2018。视图:出版商的网站|谷歌学术搜索
49. a . Abouyahya s . El Fkihi r·o·h·Thami和d . Aboutajdine“面部表情识别,特征提取”学报2016第五届国际会议上多媒体计算和系统(ICMCS),16卷,页46-49,马拉喀什,摩洛哥,2016。视图:出版商的网站|谷歌学术搜索
50. c, s .锣,p . w . McOwan“面部表情识别基于局部二进制模式:一个全面的研究,“图像和视觉计算,27卷,不。6,803 - 816年,2009页。视图:出版商的网站|谷歌学术搜索
51. t·h·h·Zavaschi a . s . Britto l·e·s·奥利维拉和a . l . Koerich”的特性集和分类器融合面部表情识别,”专家系统与应用程序,40卷,不。2、646 - 655年,2013页。视图:出版商的网站|谷歌学术搜索
52. t . Ojala、m . Pietikainen和d·哈伍德”纹理措施的比较研究与分类分布特点的基础上,“模式识别卷,29号1,51-59,1996页。视图:出版商的网站|谷歌学术搜索
53. b Remeseiro和诉Bolon-Canedo审查的特征选择方法在医学应用中,“计算机在生物学和医学文章ID 103375卷,112年,2019年。视图:出版商的网站|谷歌学术搜索
54. x风扇和t . Tjahjadi“动态框架基于局部泽尼克时刻和运动历史图像的面部表情识别,”模式识别卷,64年,第406 - 399页,2017年。视图:出版商的网站|谷歌学术搜索
55. y Kumar和s·夏尔马”,面部表情识别技术的系统调查,”计算方法和程序的国际会议上沟通(ICCMC) 2017侵蚀,卷。17日,印度,2017。视图:出版商的网站|谷歌学术搜索
56. p . Refaeilzadeh l . Tang和h·刘,“交叉验证。”澳大拉西亚的采矿和冶金研究所出版系列澳大拉西亚的采矿和冶金研究所,卡尔顿,澳大利亚,2005年。视图:谷歌学术搜索
57. y Bengio和y Lecun(“扩展对人工智能学习算法,”大规模的内核的机器美国马剑桥,麻省理工学院出版社,2007年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021埃比尼泽奥乌苏等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。