一种基于CNN与LSTM结合的微表情识别算法

微表情表现强度微弱且非常短暂。针对微表情识别效果不理想的问题，以视觉几何组（Visual Geometry Group，VGG）网络为基础，提出卷积神经网络（Convolutionnal Neural Network，CNN）与长短期记忆网络（Long Short-Term Memory，LSTM）结合的识别算法。CNN提取数据集CASME II的空域特征，LSTM处理时域特征，实现空域与时域特征的结合。针对深度学习训练困难以及过拟合问题，加入批量归一化算法与丢弃法，提高网络训练速度，有效防止过拟合。针对数据集稀缺的问题，固定每次读取帧序列的长度，随机生成起始帧的位置，不断循环读取以遍历整个数据集并达到数据扩增。根据实验结果，五类微表情(高兴、惊讶、厌恶、抑郁、其他)识别率最高可达72.3%。     

一种改进的基于3D-BN-GRU网络的行为识别算法

行为识别是计算机视觉研究一大热点，为了改善其计算量大、识别率低的问题，提出了一种基于三维卷积神经网络(3Dimension Convolutionnal Neural Network，3D-CNN)与门控循环单元网络(Gated Recurrent Unit，GRU)相融合的行为识别算法。该算法采用keras框架，首先对3D-CNN结构进行优化，采用把大的卷积核用若干个小的串联起来的Block结构；然后在每层卷积层后采用批量归一化处理，并添加Dropout层以提高网络泛化能力；最后与GRU网络融合，使用Softmax进行分类得出结果。实验结果表明，所设计的融合网络有较高的识别率，达到94.5%。     

一种基于OpenCL的Lukas-Kanade光流并行加速算法

LK(Lukas-Kanade)光流法在运动目标检测和跟踪领域具有广泛应用，但其计算复杂、速度慢，难以适应异构硬件平台。为实现LK光流法在不同平台上的高效运行，设计了一种基于开放式计算语言（OpenCL）的LK光流法并行算法。该算法通过将二维图像上像素点上的稠密计算映射到多线程上实现数据并行，并基于OpenCL平台的共享内存等优化方法减小了主机内存与设备内存数据传输。实验测试表明，该算法相比于多核CPU下的基础OpenCV函数库中的LK算法获得了最高31倍的加速比，同时在速度上与统一计算设备体系结构（CUDA）加速的LK光流法相近。此外，还在多种不同设备下验证了加速算法的平台通用性。     

一种基于3D-BN-VGG网络的行为识别算法

针对当前人体行为识别准确率低、计算量大等缺陷，提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network，3D-CNN）结合批量归一化（Batch Normalization，BN）及改进的视觉几何组(Visual Geometry Group,VGG)网络的行为识别算法。该算法首先对3D-CNN结构进行优化，在三维空间采用了多个小卷积核卷积层堆叠的Block结构；同时在网络结构中引入BN算法，将卷积层输出的特征图每一维进行独立的批量归一化处理；之后在Block结构中增加了Dropout层以提高网络泛化能力以及将3D-CNN网络层数加深到了13层，提高了高层次抽象特征的提取能力；最终使用softmax进行分类得出结果。实验结果表明所设计的3D-BN-VGG网络在行为识别方面有较高的识别率。     

一种基于3D-CNN的微表情识别算法

微表情是一种持续时间很短暂的面部表情。针对其识别率低的问题，提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network，3D-CNN）的微表情识别算法。使用Keras作为网络框架，在3D-VGG-Block(3Dimension Visual Geometry Group Block,3D-VGG-Block)的基础上加入批量归一化算法以及丢弃法，提升网络深度与训练速度的同时有效地防止过拟合；针对数据集稀少的问题，采取随机设置起始帧的位置，提前设定每次读取帧序列的长度，循环操作，在将所有数据均遍历的同时，达到数据增广的目的。该算法在CASME II数据集上的识别率最高达68.85%，在识别率上有一定优势。