發(fā)布時(shí)間：2023-05-07 01:45

　　隨著計(jì)算機(jī)視覺(jué)技術(shù)的快速發(fā)展,人臉表情識(shí)別技術(shù)逐漸興起。無(wú)論在學(xué)術(shù)界還是應(yīng)用在工業(yè)界,如何實(shí)現(xiàn)人臉表情的自動(dòng)識(shí)別已經(jīng)成為研究的熱門課題。當(dāng)前人臉表情識(shí)別技術(shù)存在巨大的發(fā)展?jié)摿σ约柏S富的應(yīng)用場(chǎng)景,可用于智能人機(jī)互動(dòng)、汽車安全駕駛、輔助醫(yī)療和在線教育等場(chǎng)景。到目前為止,大多數(shù)人臉表情識(shí)別算法的研究對(duì)象主要是使用靜態(tài)表情圖像,但是人臉表情變化是一個(gè)動(dòng)態(tài)的過(guò)程,僅僅使用靜態(tài)的人臉表情圖像不能利用到表情變化的時(shí)間和空間特征。圖像序列人臉表情相比較靜態(tài)圖像人臉表情可以捕捉到更多的運(yùn)動(dòng)特征和紋理特征,這樣在進(jìn)行人臉表情分類時(shí)可以提高準(zhǔn)確率。本文的主要研究工作和創(chuàng)新點(diǎn)如下:1、分析了輸入圖像的預(yù)處理操作來(lái)提高人臉表情的識(shí)別率。不同于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)直接將檢測(cè)到人臉的原始圖片作為輸入,本文算法在輸入網(wǎng)絡(luò)前進(jìn)行了一系列的圖像預(yù)處理操作。首先使用了最新準(zhǔn)確率較高的人臉檢測(cè)算法Retina Face提高復(fù)雜以及非正臉的識(shí)別率,然后使用了基于面部四點(diǎn)的人臉對(duì)齊法進(jìn)行人臉的對(duì)齊,接著進(jìn)行了圖像裁剪以及強(qiáng)度歸一化,最后使用傳統(tǒng)方法提取旋轉(zhuǎn)不變局部二值模式(Local Binary Pattern,LBP)圖譜作為...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 人臉表情識(shí)別概述
        1.3.1 基于靜態(tài)圖像特征
        1.3.2 基于動(dòng)態(tài)圖像特征
        1.3.3 人臉表情分類方法
        1.3.4 常見(jiàn)人臉表情數(shù)據(jù)集
    1.4 深度學(xué)習(xí)發(fā)展歷程
    1.5 本文的主要工作
第2章 深度學(xué)習(xí)理論
    2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.1.1 多層感知器
        2.1.2 反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 基本網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 卷積層
        2.2.3 池化層
        2.2.4 全連接層
        2.2.5 激活函數(shù)
        2.2.6 目標(biāo)函數(shù)
    2.3 深度殘差網(wǎng)絡(luò)
    2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.5 本章小結(jié)
第3章 基于深度殘差網(wǎng)絡(luò)的靜態(tài)人臉表情識(shí)別
    3.1 引言
    3.2 算法整體框架
    3.3 圖像預(yù)處理
        3.3.1 人臉檢測(cè)
        3.3.2 人臉對(duì)齊
        3.3.3 人臉裁剪
        3.3.4 強(qiáng)度歸一化
    3.4 局部二值模式
        3.4.1 傳統(tǒng)LBP算法
        3.4.2 圓形LBP算法
        3.4.3 旋轉(zhuǎn)不變LBP算法
    3.5 深度殘差網(wǎng)絡(luò)結(jié)構(gòu)
    3.6 實(shí)驗(yàn)與分析
        3.6.1 網(wǎng)絡(luò)模型訓(xùn)練
        3.6.2 不同層數(shù)殘差網(wǎng)絡(luò)的影響實(shí)驗(yàn)與分析
        3.6.3 不同LBP算子的影響實(shí)驗(yàn)與分析
        3.6.4 不同卷積神經(jīng)網(wǎng)絡(luò)的影響實(shí)驗(yàn)與分析
        3.6.5 FER2013數(shù)據(jù)集上的實(shí)驗(yàn)與分析
    3.7 本章小結(jié)
第4章 基于深度殘差網(wǎng)絡(luò)的圖像序列人臉表情識(shí)別
    4.1 引言
    4.2 算法整體框架
    4.3 長(zhǎng)短期記憶模型
        4.3.1 LSTM記憶單元
        4.3.2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)
    4.4 實(shí)驗(yàn)與分析
        4.4.1 網(wǎng)絡(luò)模型訓(xùn)練
        4.4.2 Cohn-Kanade數(shù)據(jù)集上的實(shí)驗(yàn)與分析
        4.4.3 AFEW6.0數(shù)據(jù)集上的實(shí)驗(yàn)與分析
    4.5 本章小結(jié)
第5章 結(jié)論與展望
    5.1 本文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝



本文編號(hào)：3810002