【摘要】：由于人機交互研究的不斷深入以及巨大的應(yīng)用前景,對人臉面部表情進行識別和分析已成為計算機視覺中非常重要、活躍和流行的課題。在過去幾年中,深度學(xué)習(xí)在許多應(yīng)用領(lǐng)域均取得了突破性成果,包括語音識別、圖像理解、自然語言處理等。與傳統(tǒng)方法用人工提取圖像的幾何、紋理特征不同,本文使用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)方法自動提取人臉圖像特征,對人臉表情識別問題進行了研究,具體研究內(nèi)容包括以下幾點:1.盡管卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)被用于許多計算機視覺任務(wù)并表現(xiàn)出色,但是現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)對全連接層的關(guān)注卻很少�？紤]到全連接層在不同尺度下的特征提取能力不同,本文對傳統(tǒng)的單通道全連接層進行改進,設(shè)計了一種新的雙通道卷積神經(jīng)網(wǎng)絡(luò),不僅提高了網(wǎng)絡(luò)性能,而且增強了網(wǎng)絡(luò)的特征表達能力。使用傳統(tǒng)特征提取方法易出現(xiàn)識別錯誤率高,對光照、姿態(tài)和遮擋變化容忍度差等問題,本文設(shè)計的雙通道卷積神經(jīng)網(wǎng)絡(luò)模型能有效解決這些缺點。2.傳統(tǒng)的激活函數(shù)都只能擬合二維函數(shù),Maxout卻可以擬合任意維度的函數(shù),為了能夠更精確地表達高維特征信息,在全連接層用Maxout激活函數(shù)代替?zhèn)鹘y(tǒng)的ReLU激活函數(shù);與傳統(tǒng)的激活函數(shù)相比,Maxout激活函數(shù)的輸出具有非稀疏性,將其與Dropout技術(shù)結(jié)合使用,Dropout用在Maxout網(wǎng)絡(luò)層的后面,優(yōu)化了網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)。3.理想的面部表情特征具有比最小的類間距離更小的最大類內(nèi)距離,但現(xiàn)有算法很少能有效地實現(xiàn)這一標(biāo)準(zhǔn)。本文在模型訓(xùn)練過程中使用A-Softmax損失,通過操縱特征面產(chǎn)生角度間隔,使用角度作為距離度量,將角度距離和學(xué)習(xí)到的特征相結(jié)合,增強了對不同面部表情特征的辨別能力。4.設(shè)計并實現(xiàn)了人臉動態(tài)表情識別系統(tǒng),并使用不同卷積神經(jīng)網(wǎng)絡(luò)模型進行了動態(tài)表情識別實驗,結(jié)果表明,雙通道卷積神經(jīng)網(wǎng)絡(luò)具有較好的識別準(zhǔn)確度和實時性,可應(yīng)用于實時的人臉表情識別。
【圖文】：

圖 2-1 神經(jīng)元模型 2-1 中，單個神經(jīng)元與其它若干個神經(jīng)元進行連接，并接收經(jīng)元傳遞過來的信號作為輸入信號，這些輸入信號通過帶權(quán)之間進行傳遞，，神經(jīng)元將接收到的輸入信號的總輸入值與該比較，并通過“激活函數(shù)”處理從而產(chǎn)生神經(jīng)元的輸出。將元按照一定的層次結(jié)構(gòu)進行連接，就得到了神經(jīng)網(wǎng)絡(luò)。知機模型機一共由兩層神經(jīng)元構(gòu)成，如圖 2-2 所示，輸入層神經(jīng)元接并將接收到的輸入信號傳遞給輸出層的神經(jīng)元，公式（2-1）出層的神經(jīng)元進行激活處理。y f ( )（2-1）i i w x （2-2）w i n以及閾值 可通過學(xué)習(xí)得

圖 2-2 兩個輸入神經(jīng)元的感知機模型層神經(jīng)元1x 、2x 接收來自外界的輸入信神經(jīng)元，因為感知機只激活輸出層神能力非常有限�，F(xiàn)實應(yīng)用中，更多的稱多層感知機（Multilayer Perception，間的神經(jīng)元被稱為隱層或隱含層，隱層的神經(jīng)元僅與其下一層的神經(jīng)元完接。MLP 的輸入層神經(jīng)元接收外部輸收的信號，最后輸出層神經(jīng)元輸出最終模型本結(jié)構(gòu)包含三種不同類型的結(jié)構(gòu)層，分2-3 所示：
【學(xué)位授予單位】：長春工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【參考文獻】

相關(guān)期刊論文 前5條

1 童瑩;;基于空間多尺度HOG特征的人臉表情識別方法[J];計算機工程與設(shè)計;2014年11期

2 余凱;賈磊;陳雨強;徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

3 龔劬;葉劍英;華桃桃;;結(jié)合改進的LBP和LDP的人臉表情識別[J];計算機工程與應(yīng)用;2013年22期

4 譚琨;杜培軍;;基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類[J];光譜學(xué)與光譜分析;2008年09期

5 唐京海;張有為;;基于FLD特征提取的SVM人臉表情識別方法[J];計算機工程與應(yīng)用;2006年11期

本文編號：2632792