本文關(guān)鍵詞：基于卷積網(wǎng)絡集成的面部表情識別方法

  更多相關(guān)文章： 表情識別 卷積網(wǎng)絡 計算機視覺

【摘要】：自動表情識別Automated Facial Expression Recognition,縮寫FER)賦予計算機感知并嘗試理解人類情感的能力。在計算機視覺、人機交互和情感計算領(lǐng)域都有著非常重大的研究和應用價值。如果機器能夠像人類一樣擁有感情的話,那么人類與機器的關(guān)系將會被徹底改變,機器對于我們?nèi)祟惗詫⒉辉僦皇且环N工具而已。表情因其獨特的心理屬性,對于計算機而言存在一定的分析和理解障礙。本質(zhì)上表情是人類內(nèi)心復雜情感的外在流露,而這些深藏于內(nèi)的抽象感情難以被計算機量化表達。所以對于我們而言,表情識別也并不應僅僅歸于一種的圖像分類問題而已。受益于近幾年來深度神經(jīng)網(wǎng)絡模型的快速發(fā)展,特別是卷積網(wǎng)絡在圖像檢測和識別方面取得的突破成果,在本文中我們設(shè)計和實現(xiàn)了一種基于卷積網(wǎng)絡集成的模型來嘗試解決表情識別問題。我們的集成卷積網(wǎng)絡模型包含兩個階段：第一階段,訓練多個結(jié)構(gòu)不同的卷積子網(wǎng)絡模型。每個子網(wǎng)絡模型包含著個數(shù)不同的卷積層,每個卷積層后連接著非線性激活層和池化采樣層。這些卷積子網(wǎng)絡模型在訓練集上分別訓練至收斂。第二階段,由這些訓練好的子網(wǎng)絡模型連接在一起構(gòu)成最終的模型。各個子網(wǎng)絡模型通過移除輸出層,并把倒數(shù)第二層的輸出結(jié)果連接在一起后再輸出到若干全連接層中,通過這樣的方式使這些單獨訓練的子網(wǎng)絡模型連接成一個整體。通過不同卷積子網(wǎng)絡集成的方式,我們充分發(fā)揮了不同結(jié)構(gòu)子模型分類的優(yōu)勢,各個子模型在協(xié)同工作中能夠發(fā)揮互相補充的效果。整個模型輸入一張面部表情圖片,輸出七種基本表情中的一種,包含憤怒、惡心、害怕、高興、傷心、吃驚以及中立表情。我們在FER20131數(shù)據(jù)集上訓練和測試了整個模型,實驗結(jié)果顯示我們提出的集成網(wǎng)絡模型取得65.03%的正確率,非常接近于人眼在此數(shù)據(jù)集上的識別水平(65±5%),且比單個子模型最多有近4%的準確度提升。
【關(guān)鍵詞】：表情識別 卷積網(wǎng)絡 計算機視覺
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要6-7
• Abstract7-12
• 第1章 緒論12-18
• 1.1 引言12
• 1.2 項目背景與研究意義12-17
• 1.2.1 情感計算與人工智能12-13
• 1.2.2 自動表情識別13-14
• 1.2.3 研究現(xiàn)狀14-17
• 1.3 本文組織結(jié)構(gòu)17-18
• 第2章 人工神經(jīng)網(wǎng)絡與卷積網(wǎng)路18-30
• 2.1 引言18
• 2.2 感知機模型18-19
• 2.3 人工神經(jīng)網(wǎng)絡19-20
• 2.4 卷積網(wǎng)絡模型20-23
• 2.4.1 卷積層21-22
• 2.4.2 池化采樣層22
• 2.4.3 全相連層22-23
• 2.4.4 BN層23
• 2.5 損失函數(shù)23-24
• 2.5.1 SVMLoss23-24
• 2.5.2 SoftmaxLoss24
• 2.6 梯度下降與反向傳播算法24-27
• 2.6.1 梯度下降算法24-26
• 2.6.2 參數(shù)更新方式26-27
• 2.6.3 反向傳播算法27
• 2.7 過擬合與正則化27-30
• 2.7.1 過擬合27-28
• 2.7.2 正則化28-29
• 2.7.3 Dropout29-30
• 第3章 集成卷積網(wǎng)絡的設(shè)計與實現(xiàn)30-38
• 3.1 引言30
• 3.2 子網(wǎng)絡模型30-35
• 3.2.1 子網(wǎng)絡數(shù)目的估計30-31
• 3.2.2 子網(wǎng)絡模型結(jié)構(gòu)設(shè)計31-33
• 3.2.3 激活函數(shù)的選擇33-35
• 3.3 整體網(wǎng)絡結(jié)構(gòu)35
• 3.4 模型實現(xiàn)方式35-38
• 3.4.1 深度學習庫的比較選擇36-37
• 3.4.2 實驗環(huán)境37-38
• 第4章 訓練和結(jié)果38-52
• 4.1 數(shù)據(jù)集的選擇38-40
• 4.1.1 FER-2013數(shù)據(jù)集39-40
• 4.2 數(shù)據(jù)增強和預處理方式40-42
• 4.2.1 數(shù)據(jù)增強40
• 4.2.2 數(shù)據(jù)預處理40-41
• 4.2.3 歸一化41
• 4.2.4 主成分分析與數(shù)據(jù)白化41-42
• 4.3 子網(wǎng)絡模型訓練42-46
• 4.3.1 模型參數(shù)初始化42
• 4.3.2 訓練參數(shù)設(shè)置42-46
• 4.4 集成模型訓練結(jié)果46-52
• 第5章 總結(jié)與展望52-53
• 參考文獻53-56
• 致謝56

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 應自爐;張有為;李景文;;融合人臉局部區(qū)域的表情識別[J];信號處理;2009年06期

2 胡明銀;孟凡民;;微表情識別的偵查實用性探析[J];江西警察學院學報;2011年03期

3 申尋兵;隋華杰;許坤金;;微表情識別能力與在校生人際關(guān)系相關(guān)性研究[J];科技視界;2013年28期

4 武宇文,劉宏,查紅彬;基于特征分組加權(quán)聚類的表情識別[J];計算機輔助設(shè)計與圖形學學報;2005年11期

5 何良華,鄒采榮,包永強,趙力;人臉面部表情識別的研究進展[J];電路與系統(tǒng)學報;2005年01期

6 楊國亮;王志良;王國江;;面部表情識別研究進展[J];自動化技術(shù)與應用;2006年04期

7 王功孝;;面部表情識別研究綜述[J];黑龍江科技信息;2007年24期

8 韓t}t};王益文;洪慧;徐艷嬌;;面孔呈現(xiàn)順序?qū)植勘砬樽R別的影響[J];山東師范大學學報(自然科學版);2008年02期

9 寧凡;厲星星;;基于人臉幾何結(jié)構(gòu)的表情識別[J];計算機應用與軟件;2009年06期

10 方婷;葛萬成;;基于人臉非對稱性的表情識別[J];信息技術(shù);2009年11期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 沈卓卿;俞國良;;情緒表達者的文化差異對表情識別的影響[A];第十二屆全國心理學學術(shù)大會論文摘要集[C];2009年

2 章吉;陳英和;;兒童混合表情識別的發(fā)展及與基本表情識別的關(guān)系[A];增強心理學服務社會的意識和功能——中國心理學會成立90周年紀念大會暨第十四屆全國心理學學術(shù)會議論文摘要集[C];2011年

3 劉芳;王志良;徐銀梅;陳鋒軍;郭群;;應用于表情識別的黑斑特征算法的設(shè)計與實現(xiàn)[A];第一屆中國情感計算及智能交互學術(shù)會議論文集[C];2003年

4 史光遠;崔麗霞;;性別和羞怯水平對大學生面部表情識別的影響[A];第十五屆全國心理學學術(shù)會議論文摘要集[C];2012年

5 曹宇嘉;鄭文明;趙力;鄒采榮;;基于差值模板特征的表情識別方法[A];第十二屆全國圖象圖形學學術(shù)會議論文集[C];2005年

6 李睿凡;朱強生;郭燕慧;劉海濤;;魯棒局部保持投影的表情識別[A];2006年首屆ICT大會信息、知識、智能及其轉(zhuǎn)換理論第一次高峰論壇會議論文集[C];2006年

7 韓t}t};王益文;;面孔呈現(xiàn)順序?qū)植勘砬樽R別的影響[A];第十一屆全國心理學學術(shù)會議論文摘要集[C];2007年

8 歐陽琰;桑農(nóng);;基于面部動作單元組合特征的表情識別[A];第十五屆全國圖象圖形學學術(shù)會議論文集[C];2010年

9 羅崢;魏錦;陳凡;尹天驕;;自閉、智障與正常兒童面部表情識別的差異[A];增強心理學服務社會的意識和功能——中國心理學會成立90周年紀念大會暨第十四屆全國心理學學術(shù)會議論文摘要集[C];2011年

10 張明;傅小蘭;;微表情識別的背景效價效應[A];心理學與創(chuàng)新能力提升——第十六屆全國心理學學術(shù)會議論文集[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 楊勇;基于粗糙集理論的表情識別研究[D];西南交通大學;2009年

2 李遠征;人體目標跟蹤和表情識別中的若干問題研究[D];西安電子科技大學;2013年

3 阮錦新;多姿態(tài)人臉檢測與表情識別關(guān)鍵技術(shù)研究[D];華南理工大學;2010年

4 歐陽琰;面部表情識別方法的研究[D];華中科技大學;2013年

5 朱明旱;基于流形學習的人臉表情識別研究[D];中南大學;2009年

6 劉帥師;非均勻光照和局部遮擋情況下的魯棒表情識別理論與方法研究[D];吉林大學;2012年

7 張錚;基于二維MB-LGBP特征的表情識別及其光照檢測研究[D];天津大學;2010年

8 付曉峰;基于二元模式的人臉識別與表情識別研究[D];浙江大學;2008年

9 洪濤;船體建造CAD/CAM系統(tǒng)數(shù)據(jù)庫技術(shù)及面部表情識別技術(shù)的若干研究[D];浙江大學;2003年

10 李永強;基于動態(tài)貝葉斯網(wǎng)絡的人面部運動識別方法研究[D];哈爾濱工業(yè)大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 賀春榮;情緒情境與訓練因素對微表情識別能力影響的研究[D];山西醫(yī)科大學;2012年

2 竇曉娟;大學生自卑特質(zhì)對面部表情識別的影響研究[D];河北師范大學;2015年

3 黃世偉;雙相躁狂患者面部表情識別的研究[D];安徽醫(yī)科大學;2015年

4 陳心韻;抑郁傾向、抑郁癥患者與正常人生態(tài)化微表情識別差異及評估指標初探[D];蘇州大學;2015年

5 張海婷;基于深度神經(jīng)網(wǎng)絡的人體動作及自發(fā)表情識別[D];山東大學;2015年

6 武冠群;基于情感模型的表情識別及應用研究[D];哈爾濱工業(yè)大學;2015年

7 路立;生態(tài)化微表情識別測量的編制及微表情識別差異研究[D];蘇州大學;2015年

8 王晶晶;面部反饋對表情識別的作用及其影響因素[D];浙江師范大學;2015年

9 王劍云;基于深度神經(jīng)網(wǎng)絡的表情識別算法[D];西南科技大學;2015年

10 趙晴;微表情識別、親社會行為與人際交往的關(guān)系研究[D];曲阜師范大學;2015年

，

本文編號：550346