發(fā)布時(shí)間：2021-03-26 02:26

　　隨著計(jì)算機(jī)計(jì)算能力的增長(zhǎng)和圖像數(shù)據(jù)的積累,人臉表情識(shí)別尤其是基于自然環(huán)境的人臉表情識(shí)別研究逐漸成為人工智能的研究熱點(diǎn)領(lǐng)域之一。目前,實(shí)驗(yàn)室環(huán)境下的人臉表情識(shí)別技術(shù)相對(duì)來(lái)說(shuō)較為成熟,而自然環(huán)境下的人臉表情識(shí)別更貼近于現(xiàn)實(shí)應(yīng)用同時(shí)難度也更高,其相關(guān)算法的識(shí)別效果也亟待提升。人臉表情主要有離散和連續(xù)維度兩種表示模型,并且這兩種表示模型在教育、醫(yī)療、安全等方面有著巨大的應(yīng)用前景。因此,本文著重研究基于自然環(huán)境下的人臉表情識(shí)別（離散）和估計(jì)（連續(xù)維度）。本文的主要工作內(nèi)容如下:（1）自然環(huán)境下的人臉表情識(shí)別與實(shí)驗(yàn)室環(huán)境下的人臉表情識(shí)別相比更具有挑戰(zhàn)性。自然環(huán)境下的圖像樣本在姿態(tài)、背景、光照等非表情因素方面存在著較大的差異,同時(shí)存在一部分效價(jià)較低的樣本,這些樣本在特征空間中易出現(xiàn)混淆的情況。基于此,本文提出一種基于Center Loss和Valence-sensitive Loss聯(lián)合損失函數(shù)的人臉表情識(shí)別方法。Center Loss的引入用于減輕非表情因素帶來(lái)的干擾,使得同類的樣本在特征空間更易聚集在一起,Valence-sensitive Loss用于解決因低效價(jià)帶來(lái)的混淆問(wèn)題,最后利用設(shè)計(jì)的... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Valence-Arousal連續(xù)維度情感模型

圖 1.3 CK+數(shù)據(jù)集的表情樣本示例Fig 1.3 The sample images of Extended CK dataset（3）MMI（Man Machine Interaction）數(shù)據(jù)集[14][15]MMI 數(shù)據(jù)集同樣是實(shí)驗(yàn)室可控環(huán)境下的數(shù)據(jù)集，包含來(lái)自 32 個(gè)受試者的 序列 其中 213 個(gè)序列被標(biāo)記為六個(gè)類別的表情（相較于 CK+缺少蔑視），

圖 1.4 RAF-DB 庫(kù)的表情樣本示例Fig 1.4 The sample images of RAF-DB dataset（6）AffectNet 數(shù)據(jù)集[18]目前 AffectNet 數(shù)據(jù)集是在離散模型和連續(xù)維度模型下最大的自然環(huán)境數(shù)據(jù)集一 丹佛大學(xué)使用六種不同語(yǔ)言的 1250 個(gè)情感關(guān)鍵字在三個(gè)搜索引擎（Google

【參考文獻(xiàn)】：
期刊論文
[1]人臉表情識(shí)別研究進(jìn)展[J]. 黃建,李文書,高玉娟.  計(jì)算機(jī)科學(xué). 2016(S2)
[2]基于ROI-KNN卷積神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別[J]. 孫曉,潘汀,任福繼.  自動(dòng)化學(xué)報(bào). 2016(06)
[3]人臉檢測(cè)研究綜述[J]. 梁路宏,艾海舟,徐光祐,張鈸.  計(jì)算機(jī)學(xué)報(bào). 2002(05)



本文編號(hào)：3100766