【摘要】：隨著人工智能的發(fā)展,人臉表情分析在人機(jī)交互、醫(yī)療等領(lǐng)域發(fā)揮著越來(lái)越重要的作用,基本表情(開(kāi)心、悲傷、驚訝、恐懼、生氣和厭惡)的分析技術(shù)日益成熟。但依然存在兩個(gè)問(wèn)題,一是基本表情難以表達(dá)人們豐富的情感,二是基本表情可偽造、可抑制,難以反映人們的真實(shí)情感。面部活動(dòng)單元定義人臉不同區(qū)域的肌肉活動(dòng),通過(guò)面部活動(dòng)單元組合能夠表達(dá)更加豐富的情感;微表情作為一種自發(fā)式的表情,能夠反映人們內(nèi)心的真實(shí)情感。本文針對(duì)人臉面部活動(dòng)單元檢測(cè)和人臉微表情分析進(jìn)行了研究。論文的主要研究工作如下:1.在人臉面部活動(dòng)單元的特征提取上,對(duì)比分析了傳統(tǒng)方法和卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)劣,并采用遷移學(xué)習(xí)下的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)完成面部活動(dòng)單元的特征提取,實(shí)驗(yàn)結(jié)果表明該方式下提取的特征相比于其他方法,更加有效;2.本文采用受限玻爾茲曼機(jī)建立面部活動(dòng)單元標(biāo)簽分布,發(fā)掘面部活動(dòng)單元之間的相互關(guān)系,并以此建立未標(biāo)注圖像和標(biāo)注圖像之間的聯(lián)系,將未標(biāo)注圖像加入到模型的訓(xùn)練中,實(shí)現(xiàn)了半監(jiān)督面部活動(dòng)單元檢測(cè);3.對(duì)于具有時(shí)序信息的面部活動(dòng)單元圖像,本文提出了卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)組合的結(jié)構(gòu)形式,利用卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)分別提取圖像的空間特征和圖像間時(shí)序特征,實(shí)現(xiàn)同時(shí)對(duì)多張圖像進(jìn)行面部活動(dòng)單元檢測(cè);4.由于微表情具有發(fā)生強(qiáng)度低、持續(xù)時(shí)間短兩個(gè)特點(diǎn),對(duì)于微表情識(shí)別,本文根據(jù)人臉肌肉結(jié)構(gòu)進(jìn)行區(qū)域劃分,并通過(guò)密集采樣獲取能夠表達(dá)主要表情變化的人臉特征點(diǎn),利用光流法量化各個(gè)區(qū)域特征點(diǎn)的變化,結(jié)合以上三點(diǎn)提出了密集采樣下光流平均幅度角度特征DS-OMMA,實(shí)驗(yàn)結(jié)果表明,本文提出的方法在微表情的兩個(gè)主要數(shù)據(jù)集上具有目前最好的識(shí)別準(zhǔn)確率,同時(shí)通過(guò)特征可視化,進(jìn)一步驗(yàn)證了本文提出的特征能夠更好地描述不同微表情的特點(diǎn)。
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP18
【圖文】：

征＋分類器”的學(xué)習(xí)方式，卷積神經(jīng)網(wǎng)絡(luò)更有可能獲得全局最優(yōu)解。本節(jié)介紹卷逡逑積神經(jīng)網(wǎng)絡(luò)的一些重要模塊，正是這些模塊的疊加讓卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特逡逑征表示能力。圖２－１是卷積神經(jīng)網(wǎng)絡(luò)基本流程圖。逡逑損失（ｌｏｓｓ）逡逑邐邐１邋卷邋？邋池邋卷邐激邋池全全逡逑原始數(shù)據(jù)一？邐活—？邐｛Ｖ邐￣？邐ｊｐ邋■邋？■活＿＊仆＿＿＊■連＿＊連＿Ｊ夫逡逑■數(shù)據(jù)邋Ｉ、１函邋ｓ邋Ｓ邐函邋Ｓ邋接接函逡逑杈數(shù)l勌沖問(wèn)尾沐宀闔殄義賢跡玻本砘窬緇玖鞒掏煎義希玻保本砘沐義暇砘ǎ茫錚睿觶錚歟酰簦椋錚睿┑鬧饕康氖譴郵淙臚枷裰謝袢√卣鰨哂芯植苛雍灣義先ㄖ倒蠶淼奶氐恪＞砘梢醞ü郵淙氳囊恍】槭葜醒У酵枷竦奶卣鰨⒛芄誨義媳Ａ糲袼丶淶目占涔叵�。辶x希瑰義

本文編號(hào)：2721608