隨著人工智能和大數(shù)據(jù)技術(shù)的廣泛應(yīng)用,人臉識別和人臉表情識別受到了越來越多的關(guān)注。面部表情是人類傳達(dá)情感的重要方式,面部表情的識別在諸多領(lǐng)域都有廣泛的應(yīng)用。目前,面部表情的識別效果在一定程度上滿足了日常和社會需求。但是,受到分辨率低下、光線干擾、圖像遮擋、表情微弱等因素的影響,面部表情的識別仍然有很大的研究空間。對于面部表情來說,除了日常具有明顯外在表現(xiàn)的宏表情之外,還有一種令人難以察覺的面部細(xì)微變化的表情,稱為微表情�；谖⒈砬槭侨祟惒豢梢种频淖园l(fā)表情,其在司法刑偵、公共安全、理療健康等領(lǐng)域都有極高的應(yīng)有價(jià)值,所以,近十年來微表情識別越來越受重視。微表情具有存在時(shí)間短暫、面部變化細(xì)微的特點(diǎn),同時(shí)微表情的出現(xiàn)還伴隨著人臉偏移遮擋、環(huán)境干擾因素多等特點(diǎn)。如何利用機(jī)器學(xué)習(xí)相關(guān)技術(shù)、模型對人類面部微表情進(jìn)行識別具有很大的挑戰(zhàn)。當(dāng)前,深度學(xué)習(xí)的廣泛應(yīng)用在圖像識別領(lǐng)域扮演了非常重要的角色,因此,本課題應(yīng)用深度學(xué)習(xí)方法,對面部微表情進(jìn)行認(rèn)知和識別處理,具體工作包括以下幾個(gè)方面:首先,改進(jìn)光流法和卷積神經(jīng)網(wǎng)絡(luò)的面部微表情識別考慮到微表情序列片段存在一定的冗余,本課題僅使用數(shù)據(jù)集中每個(gè)樣本的起始幀和頂點(diǎn)... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

CASMEII上學(xué)習(xí)率的損失函數(shù)Figure3-7LosswithlearningrateonCASMEII

3基于改進(jìn)光流法和卷積神經(jīng)網(wǎng)絡(luò)的面部微表情識別29表3-8不同參數(shù)展示表Table3-8Tableofdifferentparameters參數(shù)含義取值范圍learningrate學(xué)習(xí)率0.0001~0.01dropout拋棄一部分神經(jīng)元[0.2,0.4,0.6,0.8]batchsize一次性訓(xùn)練的樣本數(shù)[16,32,64,128]學(xué)習(xí)率learningrate的設(shè)置會直接影響CNN中損失函數(shù)的優(yōu)化效果，學(xué)習(xí)率過大可能會出現(xiàn)損失函數(shù)震蕩或跨過最優(yōu)解而導(dǎo)致模型不收斂，過小則可能會導(dǎo)致模型收斂過慢甚至無法學(xué)習(xí)。不同的學(xué)習(xí)率對應(yīng)的損失函數(shù)收斂情況如圖3-7和圖3-8所示，圖中標(biāo)注出的5條曲線loss1到loss5分別對應(yīng)著學(xué)習(xí)率為0.0001、0.0005、0.001、0.005、0.01的損失函數(shù)。從圖中可以清晰地看出，對于兩個(gè)數(shù)據(jù)集，loss3的效果最好。由于損失函數(shù)loss1的學(xué)習(xí)率過小，因此使得收斂的速度很慢。而損失函數(shù)loss5的學(xué)習(xí)率過大，產(chǎn)生了震蕩的現(xiàn)象，導(dǎo)致?lián)p失函數(shù)無法收斂，且損失函數(shù)值達(dá)到一定大小后不再下降。圖3-7CASMEII上學(xué)習(xí)率的損失函數(shù)Figure3-7LosswithlearningrateonCASMEII圖3-8SMIC上學(xué)習(xí)率的損失函數(shù)Figure3-8LosswithlearningrateonSMIC

碩士學(xué)位論文32表3-9不同參數(shù)值表Table3-9differentparameters序號LearningrateBatchsizea0.000116b0.000516c0.000532d0.00132e0.00164f0.00532g0.00564h0.0164i0.01128根據(jù)上表3-6的參數(shù)進(jìn)行實(shí)驗(yàn)，在兩個(gè)數(shù)據(jù)集上得出的混淆矩陣如圖3-13和圖3-14所示。(a)(b)(c)（d）（e）(f)(g)(h)(i)圖3-13CASMEII數(shù)據(jù)集中不同參數(shù)的混淆矩陣圖Figure3-13ConfusionmatrixofdifferentparametersonCASMEII

【參考文獻(xiàn)】：
期刊論文
[1]人臉微表情識別綜述[J]. 徐峰,張軍平.  自動化學(xué)報(bào). 2017(03)
[2]微表情研究及其應(yīng)用[J]. 吳奇,申尋兵,傅小蘭.  心理科學(xué)進(jìn)展. 2010(09)

博士論文
[1]復(fù)雜條件下的人臉檢測與識別應(yīng)用研究[D]. 廖廣軍.華南理工大學(xué) 2014



本文編號：2944052