發(fā)布時(shí)間：2022-07-15 12:26

　　人臉表情是人類情感表達(dá)最自然,最有效的手段,也是人機(jī)交互的重要媒介。隨著人工智能技術(shù)的發(fā)展,人們對人機(jī)交互提出了更高的要求,希望計(jì)算機(jī)可以更“擬人化”,可以正確認(rèn)知用戶的情感并做出積極且準(zhǔn)確的反饋。表情識別,作為實(shí)現(xiàn)這一目標(biāo)的關(guān)鍵環(huán)節(jié)之一,在過去的數(shù)十年中已得到研究者們越來越廣泛的關(guān)注。相關(guān)研究成果已被用于遠(yuǎn)程教育,車載安全系統(tǒng),公安測謊系統(tǒng)等多個(gè)領(lǐng)域。雖然目前人臉表情識別已經(jīng)在各個(gè)領(lǐng)域展現(xiàn)出很高的應(yīng)用價(jià)值,但其研究仍然存在巨大挑戰(zhàn),例如表情訓(xùn)練樣本不足、類內(nèi)差異大、姿態(tài)多變、表情變化微弱、背景復(fù)雜等。針對上述問題,本文從離散以及連續(xù)的人臉圖像生成、姿態(tài)魯棒特征提取、多任務(wù)協(xié)同分析和情感遷移學(xué)習(xí)等角度出發(fā),研究實(shí)驗(yàn)室場景和自然場景的人臉表情識別問題,提出了一系列基于生成對抗網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動方法,主要貢獻(xiàn)體現(xiàn)在如下5個(gè)方面:（1）提出基于離散生成數(shù)據(jù)的人臉表情識別方法。針對現(xiàn)有人臉表情數(shù)據(jù)庫中帶標(biāo)簽樣本不足導(dǎo)致的模型識別率低的問題,提出基于離散生成數(shù)據(jù)的端到端人臉表情識別方法。該方法利用生成對抗網(wǎng)絡(luò)對人臉圖像的姿態(tài)和表情進(jìn)行同時(shí)建模,通過生成對抗網(wǎng)絡(luò)中生成器與判別器的對抗學(xué)習(xí)解開人臉圖像中... 

【文章頁數(shù)】：160 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 人臉表情識別任務(wù)的問題和難點(diǎn)
    1.3 研究內(nèi)容
        1.3.1 基于離散生成數(shù)據(jù)的人臉表情識別
        1.3.2 基于連續(xù)幾何約束的任意姿態(tài)人臉表情識別
        1.3.3 基于姿態(tài)統(tǒng)一建模的人臉表情識別
        1.3.4 基于多任務(wù)協(xié)同分析的魯棒人臉表情識別
        1.3.5 基于循環(huán)生成對抗網(wǎng)絡(luò)的自然場景人臉表情識別
    1.4 論文的組織結(jié)構(gòu)
第二章 國內(nèi)外研究現(xiàn)狀
    2.1 人臉表情識別概述
        2.1.1 人臉表情識別過程
        2.1.2 人臉圖像預(yù)處理研究現(xiàn)狀
        2.1.3 人臉特征提取與表示研究現(xiàn)狀
        2.1.4 人臉表情識別方法研究現(xiàn)狀
    2.2 基于生成對抗網(wǎng)絡(luò)的人臉圖像合成
        2.2.1 傳統(tǒng)生成對抗網(wǎng)絡(luò)
        2.2.2 條件生成對抗網(wǎng)絡(luò)
        2.2.3 深度卷積生成對抗網(wǎng)絡(luò)
        2.2.4 循環(huán)生成對抗網(wǎng)絡(luò)
        2.2.5 基于生成對抗網(wǎng)絡(luò)的人臉圖像合成
        2.2.6 生成對抗網(wǎng)絡(luò)與表情識別的關(guān)系
    2.3 人臉關(guān)鍵點(diǎn)檢測
    2.4 本章小結(jié)
第三章 基于離散生成數(shù)據(jù)的人臉表情識別方法
    3.1 概述
    3.2 本章方法
        3.2.1 基于生成對抗網(wǎng)絡(luò)的多姿態(tài)及多表情人臉圖像生成
        3.2.2 基于深度神經(jīng)網(wǎng)絡(luò)的自動人臉表情特征提取與表示
        3.2.3 基于生成數(shù)據(jù)的人臉表情識別
    3.3 相關(guān)工作對比
    3.4 實(shí)驗(yàn)結(jié)果分析與比較
        3.4.1 數(shù)據(jù)集簡介
        3.4.2 模型結(jié)構(gòu)與參數(shù)設(shè)置
        3.4.3 人臉表情識別結(jié)果分析與比較
        3.4.4 人臉圖像生成結(jié)果展示
    3.5 本章小結(jié)
第四章 基于連續(xù)幾何約束的任意姿態(tài)人臉表情識別方法
    4.1 概述
    4.2 本章方法
        4.2.1 基于幾何約束的任意姿態(tài)和任意表情人臉圖像生成
        4.2.2 基于充足數(shù)據(jù)的深度情感特征提取與表示
        4.2.3 任意姿態(tài)人臉表情識別
    4.3 相關(guān)工作對比
    4.4 實(shí)驗(yàn)結(jié)果分析與比較
        4.4.1 數(shù)據(jù)集簡介
        4.4.2 模型結(jié)構(gòu)與參數(shù)設(shè)置
        4.4.3 人臉表情識別結(jié)果分析與比較
        4.4.4 模型消去實(shí)驗(yàn)結(jié)果對比
        4.4.5 任意姿態(tài)和任意表情下人臉圖像生成結(jié)果展示
        4.4.6 表情轉(zhuǎn)移結(jié)果展示
    4.5 本章小結(jié)
第五章 基于姿態(tài)統(tǒng)一建模的人臉表情識別方法
    5.1 概述
    5.2 本章方法
        5.2.1 基于生成對抗網(wǎng)絡(luò)的表情不變多姿態(tài)人臉圖像生成
        5.2.2 基于多角度卷積神經(jīng)網(wǎng)絡(luò)的姿態(tài)統(tǒng)一情感特征提取與表示
        5.2.3 姿態(tài)統(tǒng)一人臉表情識別
    5.3 相關(guān)工作對比
    5.4 實(shí)驗(yàn)結(jié)果分析與比較
        5.4.1 數(shù)據(jù)集簡介
        5.4.2 模型結(jié)構(gòu)與參數(shù)設(shè)置
        5.4.3 人臉表情識別結(jié)果分析與比較
        5.4.4 表情不變的多姿態(tài)人臉圖像生成結(jié)果展示
    5.5 本章小結(jié)
第六章 基于多任務(wù)協(xié)同分析的魯棒人臉表情識別方法
    6.1 概述
    6.2 本章方法
        6.2.1 基于soft-argmax的多任務(wù)人臉關(guān)鍵點(diǎn)檢測
        6.2.2 基于生成對抗網(wǎng)絡(luò)的任意姿態(tài)及任意表情人臉圖像生成
        6.2.3 基于多任務(wù)協(xié)同分析的人臉表情識別
    6.3 相關(guān)工作對比
    6.4 實(shí)驗(yàn)結(jié)果分析與比較
        6.4.1 數(shù)據(jù)集簡介
        6.4.2 模型結(jié)構(gòu)與參數(shù)設(shè)置
        6.4.3 人臉表情識別結(jié)果分析與比較
        6.4.4 人臉圖像合成結(jié)果分析與比較
        6.4.5 人臉關(guān)鍵點(diǎn)檢測結(jié)果分析與比較
    6.5 本章小結(jié)
第七章 基于循環(huán)生成對抗網(wǎng)絡(luò)的自然場景人臉表情識別方法
    7.1 概述
    7.2 本章方法
        7.2.1 基于循環(huán)生成對抗網(wǎng)絡(luò)的自然場景人臉表情圖像生成
        7.2.2 基于注意力遷移機(jī)制的情感遷移學(xué)習(xí)
        7.2.3 自然場景人臉表情識別
    7.3 相關(guān)工作對比
    7.4 實(shí)驗(yàn)結(jié)果分析與比較
        7.4.1 數(shù)據(jù)集簡介
        7.4.2 模型結(jié)構(gòu)與參數(shù)設(shè)置
        7.4.3 自然場景人臉表情識別結(jié)果分析與比較
        7.4.4 模型消去實(shí)驗(yàn)結(jié)果對比
        7.4.5 自然場景人臉圖像生成結(jié)果展示
    7.5 本章小結(jié)
第八章 總結(jié)與展望
    8.1 總結(jié)
    8.2 展望
附錄 A生成對抗網(wǎng)絡(luò)優(yōu)化過程
    A.1 判別器優(yōu)化過程
    A.2 生成器優(yōu)化過程
參考文獻(xiàn)
致謝
攻讀博士期間的學(xué)術(shù)論文及其他科研成果


【參考文獻(xiàn)】：
期刊論文
[1]小數(shù)據(jù)樣本深度遷移網(wǎng)絡(luò)自發(fā)表情分類[J]. 付曉峰,吳俊,牛力.  中國圖象圖形學(xué)報(bào). 2019(05)
[2]基于Face++的人臉比對系統(tǒng)[J]. 馬窕梅,羅琴,吳海燕,邵田.  電子技術(shù)與軟件工程. 2019(09)
[3]基于深度學(xué)習(xí)的可靠表情數(shù)據(jù)識別[J]. 王珂,周曉彥,李凌燕,陳秀珍.  電子器件. 2019(02)
[4]基于特征點(diǎn)與多網(wǎng)絡(luò)聯(lián)合訓(xùn)練的表情識別[J]. 夏添,張毅鋒,劉袁.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(04)
[5]基于CycleGAN的非配對人臉圖片光照歸一化方法[J]. 曾碧,任萬靈,陳云華.  廣東工業(yè)大學(xué)學(xué)報(bào). 2018(05)
[6]BHU人臉表情數(shù)據(jù)庫的設(shè)計(jì)與實(shí)現(xiàn)[J]. 薛雨麗,毛峽,張帆.  北京航空航天大學(xué)學(xué)報(bào). 2007(02)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識別方法[D]. 陳科雯.西安電子科技大學(xué) 2017
[2]基于局部特征的人臉識別研究[D]. 蔣佩.電子科技大學(xué) 2009



本文編號：3662047