面部表情識(shí)別已成為計(jì)算機(jī)視覺領(lǐng)域中核心技術(shù)之一,在人們?nèi)粘Ｉ钪芯哂袕V泛的應(yīng)用。近年來,基于面部動(dòng)作編碼系統(tǒng)（Facial Action Coding System,FACS）的表情識(shí)別方法已成為相關(guān)研究的主流方法,但這類方法的應(yīng)用受限于手動(dòng)標(biāo)注運(yùn)動(dòng)單元（Action Units,AUs）的過程。本文以面部AU作為研究對(duì)象,以時(shí)空共生性作為約束條件,利用空間和時(shí)間維度中豐富的上下文關(guān)系以及固有的共生屬性,實(shí)現(xiàn)精確且魯棒的面部AU自動(dòng)檢測(cè),以減輕上述難點(diǎn)對(duì)面部AU及表情分析的影響。本文的主要工作包括:（1）提出了一種稀疏與共生雙約束的輕量級(jí)AU卷積網(wǎng)絡(luò)模型（Lite AU Convolution Network,LAUCN）,通過聯(lián)合利用面部AU的稀疏性和共生關(guān)系對(duì)輸出標(biāo)簽空間進(jìn)行約束。所提LAUCN網(wǎng)絡(luò)舍棄了傳統(tǒng)的人工設(shè)計(jì)特征提取過程,而是以數(shù)據(jù)驅(qū)動(dòng)的方式自動(dòng)地生成更具代表性的特征,且僅需少量樣本便可訓(xùn)練。CK+表情集上的實(shí)驗(yàn)結(jié)果（平均F1分?jǐn)?shù)達(dá)69.3%,準(zhǔn)確率達(dá)91.4%）表明利用標(biāo)簽空間的稀疏性與共生關(guān)系有助于提高AU檢測(cè)模型的性能。（2）提出了一種弱監(jiān)督雙重注意力融合網(wǎng)絡(luò)模型（... 

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１?Ｅｋｍａｎ等人提出的六種基本表情［１２１??Ｆｉｇｕｒｅ?１－１?Ｓｉｘ?ｂａｓｉｃ?ｅｘｐｒｅｓｓｉｏｎｓ?ｐｒｏｐｏｓｅｄ?ｂｙ?Ｅｋｍａｎ?ｅｔ?ａｌ．?［１２］??

一面部Au自動(dòng)分析系統(tǒng)的整體架構(gòu)圖

圖１＿６本文研宄內(nèi)容概覽??Ｆｉｇｕｒｅ?１－６?Ｔｈｅ?ｏｖｅｒｖｉｅｗ?ｏｆ?ｔｈｅ?ｍａｉｎ?ｒｅｓｅａｒｃｈ?ｃｏｎｔｅｎｔｓ?ｉｎ?ｔｈｉｓ?ｐａｐｅｒ??－

【參考文獻(xiàn)】：
期刊論文
[1]復(fù)雜環(huán)境下基于視覺顯著性的人臉目標(biāo)檢測(cè)[J]. 陳凡,童瑩,曹雪虹.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(01)
[2]面部表情識(shí)別對(duì)社會(huì)交往能力的影響作用[J]. 劉宏艷,葛列眾.  中國臨床心理學(xué)雜志. 2014(03)
[3]壓縮感知理論及其研究進(jìn)展[J]. 石光明,劉丹華,高大化,劉哲,林杰,王良君.  電子學(xué)報(bào). 2009(05)
[4]基于混淆交叉支撐向量機(jī)樹的自動(dòng)面部表情分類方法[J]. 徐琴珍,章品正,裴文江,楊綠溪,何振亞.  中國圖象圖形學(xué)報(bào). 2008(07)



本文編號(hào)：3678287