基于嵌入张量流形正则化的二维加三维面部表情识别
计算机视觉与模式识别
2022-02-01 v1
摘要
本文提出了一种基于嵌入张量流形正则化的二维+三维面部表情识别（FERETMR）新方法。首先，由二维人脸图像和三维人脸形状模型构建三维张量，以保留结构信息与相关性。为了在降维过程中保持低维张量空间中三维张量样本的局部结构（几何信息），通过对生成的张量进行低秩截断 Tucker 分解，采用核心张量的 范数以及嵌入于核心张量上的张量流形正则化方案。由此得到的因子矩阵将用于面部表情分类预测。为使所得张量优化更易处理，采用 范数替代物松弛 范数，从而因 范数与正交 Tucker 分解带来的正交约束，所得张量优化问题具有非光滑目标函数。为高效求解该张量优化问题，我们建立了关于驻点的一阶最优性条件，进而设计了具有收敛性分析与计算复杂度的块坐标下降（BCD）算法。在 BU-3DFE 数据库与 Bosphorus 数据库上的数值结果证明了所提方法的有效性。
引用
@article{arxiv.2201.12506,
title = {2D+3D facial expression recognition via embedded tensor manifold regularization},
author = {Yunfang Fu and Qiuqi Ruan and Ziyan Luo and Gaoyun An and Yi Jin and Jun Wan},
journal= {arXiv preprint arXiv:2201.12506},
year = {2022}
}