本文關(guān)鍵詞：人臉表情識別關(guān)鍵技術(shù)的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：無論是語言的還是非語言形式的溝通,在人們的日常生活與工作中都是非常重要的,而面部表情則是非語言溝通中最有效的溝通方式,表情可以為我們提供情感狀態(tài)、心態(tài)、意圖等線索。關(guān)于面部表情識別的應(yīng)用也正在滲透至各個領(lǐng)域,如安全駕駛、商品銷售、臨床醫(yī)學(xué)等等。本文對面部表情識別相關(guān)技術(shù)進(jìn)行研究,主要工作及貢獻(xiàn)如下:(1)基于WPCANet及分塊加權(quán)直方圖的靜態(tài)表情識別。.將分塊WPCA的非監(jiān)督式濾波器組的學(xué)習(xí)與深度卷積神經(jīng)網(wǎng)絡(luò)的多階段特征提取結(jié)構(gòu)相結(jié)合,構(gòu)建WPCANet網(wǎng)絡(luò)模型,實現(xiàn)關(guān)于靜態(tài)人臉表情特征的非監(jiān)督式多階段提取;進(jìn)一步基于訓(xùn)練樣本的表情類別信息,生成體現(xiàn)類鑒別特性的權(quán)重圖像,在此基礎(chǔ)上實現(xiàn)關(guān)于人臉表情樣本特征的加權(quán)分塊直方圖描述;最終結(jié)合線性C-SVM分類模型,完成基于靜態(tài)人臉圖像的七種基本表情類型的識別�；贘AFFE靜態(tài)表情庫的實驗驗證了算法的有效性。(2)基于多視覺描述子及音頻特征的動態(tài)表情識別。研究非約束條件下人臉動態(tài)表情識別,提出了一種基于多視覺描述子及音頻特征融合策略的動態(tài)表情識別算法。借助多視覺描述子的空時局部特征描述實現(xiàn)動態(tài)表情特征的提取;而視頻、音頻特征的融合策略改善了表情識別性能。基于協(xié)方差矩陣及時間軸分段的動態(tài)規(guī)整,有效地解決了具有不同時長的動態(tài)表情序列的樣本描述。為進(jìn)一步改善表情識別模型的泛化性能,本文引入了基于多個體識別模型加權(quán)投票的集成識別模型。針對投票過程中的權(quán)值學(xué)習(xí),提出了基于隨機(jī)重采樣的投票權(quán)重學(xué)習(xí),以及基于個體分類模型相對優(yōu)勢的投票權(quán)重學(xué)習(xí)方法。集成決策進(jìn)一步改善了表情識別性能�；贏FEW5.0的動態(tài)表情庫實驗驗證了算法的有效性。
【關(guān)鍵詞】：表情識別 WPCANet 加權(quán)直方圖 多視覺描述子 集成分類器 權(quán)重學(xué)習(xí)
【學(xué)位授予單位】：河北師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-10
• 1 緒論10-20
• 1.1 研究背景及意義10-12
• 1.2 人臉表情識別問題的描述12-13
• 1.3 國內(nèi)外研究現(xiàn)狀13-18
• 1.3.1 現(xiàn)有的人臉表情數(shù)據(jù)庫13-15
• 1.3.2 人臉表情特征的提取15-17
• 1.3.3 人臉表情的分類17-18
• 1.4 本文主要研究內(nèi)容18-20
• 2 深度學(xué)習(xí)及其典型模型20-36
• 2.1 深度學(xué)習(xí)的基本概念20-21
• 2.2 典型的深度學(xué)習(xí)結(jié)構(gòu)21-35
• 2.2.1 自編碼器(Auto-Encoder, AE)21-25
• 2.2.2 受限玻爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)25-30
• 2.2.3 深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)30-32
• 2.2.4 卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)32-35
• 2.3 本章小結(jié)35-36
• 3 基于WPCANet與加權(quán)直方圖的靜態(tài)圖像人臉表情識別36-60
• 3.1 PCANet深度學(xué)習(xí)框架的引入36-43
• 3.1.1 PCANet網(wǎng)絡(luò)結(jié)構(gòu)的第一階段特征提取39-40
• 3.1.2 PCANet網(wǎng)絡(luò)結(jié)構(gòu)的第二階段特征提取40-41
• 3.1.3 PCANet網(wǎng)絡(luò)結(jié)構(gòu)的輸出階段：哈希編碼與直方圖描述41-43
• 3.2 基于WPCANet與分塊加權(quán)直方圖的表情特征提取43-46
• 3.2.1 WPCANet網(wǎng)絡(luò)結(jié)構(gòu)的提出43-44
• 3.2.2 基于面部不同位置表情類型鑒別差異的加權(quán)直方圖描述44-46
• 3.3 基于C-SVM分類模型的表情識別46-53
• 3.3.1 面向兩類別分類問題的線性SVM46-49
• 3.3.2 面向兩類別分類問題的核SVM49-51
• 3.3.3 基于兩類別SVM的多類別分類模型51-53
• 3.4 實驗與分析53-58
• 3.4.1 人臉表情樣本數(shù)據(jù)的準(zhǔn)備53-54
• 3.4.2 基于WPCANet及空間分塊加權(quán)直方圖的人臉表情特征提取54-56
• 3.4.3 實驗結(jié)果分析56-58
• 3.5 本章小結(jié)58-60
• 4 基于多視覺描述子及音頻特征的動態(tài)序列人臉表情識別60-95
• 4.1 AFEW5.0 動態(tài)表情庫及預(yù)處理60-63
• 4.2 基于多視覺描述子的動態(tài)表情局部空時特征提取63-75
• 4.2.1 基于LBP-TOP算子的動態(tài)表情特征提取63-66
• 4.2.2 基于SIFT算子的動態(tài)表情特征提取66-69
• 4.2.3 基于HOG與HOF的動態(tài)表情特征提取69-70
• 4.2.4 基于MBH算子的動態(tài)表情特征提取70-71
• 4.2.5 基于二維Gabor小波變換的動態(tài)表情特征提取71-73
• 4.2.6 基于分塊二維DCT變換的動態(tài)表情特征提取73-75
• 4.3 音頻特征的獲取75-76
• 4.4 表情視頻片段的特征表述76-77
• 4.4.1 多視覺描述子的時間規(guī)整76-77
• 4.4.2 特征融合策略77
• 4.5 表情視頻片段分類77-80
• 4.5.1 偏最小二乘分類器77-79
• 4.5.2 支持向量機(jī)79-80
• 4.6 多識別模型的集成80-83
• 4.6.1 多識別模型集成的必要性80
• 4.6.2 基于加權(quán)投票機(jī)制的多識別模型集成決策80-81
• 4.6.3 基于隨機(jī)重采樣的投票權(quán)重學(xué)習(xí)81-83
• 4.6.4 基于個體分類模型相對優(yōu)勢的投票權(quán)重學(xué)習(xí)83
• 4.7 實驗與分析83-93
• 4.7.1 參數(shù)設(shè)置83-84
• 4.7.2 基于多視覺描述子的動態(tài)表情特征描述84-88
• 4.7.3 實驗結(jié)果比較88-93
• 4.7.4 基于加權(quán)投票的多個體識別模型集成決策93
• 4.8 本章小結(jié)93-95
• 5 總結(jié)與展望95-97
• 5.1 工作總結(jié)95
• 5.2 工作展望95-97
• 參考文獻(xiàn)97-104
• 致謝104

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫蔚;王波;;人臉表情識別綜述[J];電腦知識與技術(shù);2012年01期

2 楊梅娟;;人臉表情識別綜述[J];甘肅科技;2006年04期

3 劉曉e，

本文編號：321565