表情是人類(lèi)表達(dá)情感的基本方式,是非語(yǔ)言交流的重要手段。在日常交流中,人們可以通過(guò)對(duì)人臉表情準(zhǔn)確、細(xì)致的分析,辨識(shí)出對(duì)方的心理,進(jìn)行更加有效的溝通。隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展,人機(jī)交互技術(shù)日益成為人工智能領(lǐng)域中研究的熱點(diǎn)。而人臉表情識(shí)別作為人機(jī)交互技術(shù)的重要環(huán)節(jié),因?yàn)槠鋸V泛的應(yīng)用前景,收到了越來(lái)越廣泛的關(guān)注。目前的人臉表情識(shí)別系統(tǒng)的識(shí)別準(zhǔn)確率并不高,且對(duì)于現(xiàn)實(shí)場(chǎng)景下檢測(cè)到的復(fù)雜人臉圖像不能做出有效處理。本文將對(duì)人臉表情的特征提取及分類(lèi)識(shí)別環(huán)節(jié)進(jìn)行研究分析,并設(shè)計(jì)出新的人臉表情識(shí)別模型,從而實(shí)現(xiàn)人臉表情識(shí)別的高精度和高魯棒性。由于近年來(lái)深度學(xué)習(xí)方法廣泛應(yīng)用于模式識(shí)別和分類(lèi)任務(wù),其中,卷積神經(jīng)網(wǎng)絡(luò)方法在圖像分類(lèi)和人臉識(shí)別領(lǐng)域展現(xiàn)出了強(qiáng)大的性能,適用于本文將要研究的表情提取及表情分類(lèi)環(huán)節(jié)。因此,本文設(shè)計(jì)的人臉表情識(shí)別模型將在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,進(jìn)行針對(duì)于提升人臉表情識(shí)別效果的改進(jìn)。本文的具體工作和主要貢獻(xiàn)如下:(1)由于不同的姿勢(shì)、角度、照明、遮擋會(huì)在人臉表情獲取時(shí)產(chǎn)生的額外冗余特征。為了避免利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉表情識(shí)別時(shí)被這些冗余特征干擾,本文提出了一種基于多任務(wù)學(xué)習(xí)的人臉表情特征提...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 選題背景與意義
    1.2 人臉表情識(shí)別研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 人臉表情識(shí)別的應(yīng)用發(fā)展
    1.3 人臉表情識(shí)別系統(tǒng)概述
        1.3.1 表情特征的提取方法
        1.3.2 表情的分類(lèi)判別方法
    1.4 表情識(shí)別的挑戰(zhàn)
    1.5 本文主要工作
    1.6 論文章節(jié)安排
2 卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)在人臉表情識(shí)別領(lǐng)域的應(yīng)用
    2.2 人工神經(jīng)網(wǎng)絡(luò)
        2.2.1 神經(jīng)元
        2.2.2 神經(jīng)網(wǎng)絡(luò)模型
        2.2.3 反向傳播算法
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 全連接層和Softmax分類(lèi)器
    2.4 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法
    2.5 本章總結(jié)
3 基于多任務(wù)學(xué)習(xí)的人臉表情特征提取
    3.1 多任務(wù)學(xué)習(xí)
    3.2 人臉特征點(diǎn)定位
    3.3 數(shù)據(jù)處理
        3.3.1 數(shù)據(jù)集
        3.3.2 數(shù)據(jù)集的預(yù)處理
    3.4 利用MTCNN的人臉表情識(shí)別
        3.4.1 MtCNN的特征學(xué)習(xí)
        3.4.2 結(jié)合人臉特征點(diǎn)定位的多任務(wù)學(xué)習(xí)模型
    3.5 模型的訓(xùn)練
        3.5.1 人臉表情識(shí)別任務(wù)
        3.5.2 人臉面部特征點(diǎn)定位任務(wù)
        3.5.3 多任務(wù)訓(xùn)練
    3.6 實(shí)驗(yàn)結(jié)果與分析
        3.6.1 人臉表情識(shí)別實(shí)驗(yàn)
        3.6.2 人臉特征點(diǎn)定位效果驗(yàn)證
    3.7 本章總結(jié)
4 基于級(jí)聯(lián)多網(wǎng)絡(luò)的人臉表情識(shí)別
    4.1 總體設(shè)計(jì)框架
    4.2 級(jí)聯(lián)網(wǎng)絡(luò)的人臉表情識(shí)別實(shí)驗(yàn)
        4.2.1 級(jí)聯(lián)網(wǎng)絡(luò)的訓(xùn)練
        4.2.2 多網(wǎng)絡(luò)權(quán)重學(xué)習(xí)
        4.2.3 實(shí)驗(yàn)結(jié)果與分析
    4.3 模型的優(yōu)化分析
        4.3.1 小批量梯度下降
        4.3.2 Dropout
        4.3.3 網(wǎng)絡(luò)動(dòng)量
    4.4 本章總結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來(lái)展望
參考文獻(xiàn)
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3906293