在人工智能飛速發(fā)展的影響下,智能教育事業(yè)方興未艾,人們?cè)絹?lái)越關(guān)注線上教育過(guò)程中的情感交流。情感交流中的人臉情感識(shí)別成為目前線上教育中的重要問(wèn)題。針對(duì)人機(jī)交互中的情感交流問(wèn)題,本文構(gòu)建了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的人臉情感識(shí)別系統(tǒng),主要研究?jī)?nèi)容如下:1.針對(duì)人臉情感識(shí)別中的特征提取過(guò)程存在過(guò)多無(wú)效特征的問(wèn)題,本文在情感識(shí)別系統(tǒng)中的VGGNet部分添加了注意力機(jī)制模塊CBAM,該模塊從通道和空間兩個(gè)方面計(jì)算注意力特征圖,提升了原有網(wǎng)絡(luò)對(duì)目標(biāo)特征的關(guān)注,使得提取的特征信息忽略不重要的特征而對(duì)目標(biāo)特征的表達(dá)更加細(xì)致全面。2.針對(duì)單模型卷積神經(jīng)網(wǎng)絡(luò)對(duì)于人臉表情微小特征提取不足的問(wèn)題,對(duì)多個(gè)平行結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行集成,合理選擇對(duì)各模型特征的使用程度。本文將VGGNet與CliqueNet進(jìn)行特征并行融合成VCNet,融合后的特征中含有的特征信息更加全面,更具有代表性,特征表述能力更強(qiáng),分類結(jié)果更加精確。3.針對(duì)智能教育中情感匱乏的問(wèn)題提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的情感識(shí)別系統(tǒng),該系統(tǒng)的分類器基于VCNet網(wǎng)絡(luò),將融合后的特征信息輸入到Softmax分類器中進(jìn)行特征分類,預(yù)測(cè)情感類別。在表情數(shù)據(jù)庫(kù)JAFF... 

【文章來(lái)源】：青島科技大學(xué)山東省

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

初始輸入圖片

青島科技大學(xué)研究生學(xué)位論文13素點(diǎn)的局部矩陣的均值與方差2，如式（2-1）與式（2-2）。,1=,xyaxyMN（2-1）222,1=,xyaxyMN（2-2）式中，為MN鄰域范圍。然后需要對(duì)每一個(gè)像素利用自適應(yīng)維納濾波器進(jìn)行灰度值的估算，如式（2-3）。222,,vbxyaxy（2-3）式中，v2為圖像噪聲的方差。初始輸入的圖片如圖2-3所示，經(jīng)過(guò)自適應(yīng)維納濾波后的圖片如圖2-4所示。圖2-3初始輸入圖片圖2-4自適應(yīng)維納濾波后的圖片F(xiàn)igure2-3InitialinputpictureFigure2-4PictureafteradaptiveWienerfiltering2.2人臉圖片的光照補(bǔ)償本文中主要采用光照補(bǔ)償和降噪對(duì)灰度圖片進(jìn)行增強(qiáng)。光照補(bǔ)償即對(duì)圖片進(jìn)行補(bǔ)光，待處理的圖片光照的分布是不均勻的，這有悖于人臉檢測(cè)算法的假設(shè)條件，在均勻的光照下圖片的質(zhì)量會(huì)更高，可以增大圖像的對(duì)比度和清晰度，提高后期提取特征的精度。對(duì)于圖片中存在的噪聲需要通過(guò)濾波進(jìn)行一定的消除。本文中采用直方圖均衡化法對(duì)圖片進(jìn)行光照補(bǔ)償，在圖像中，不同灰度值的

基于卷積神經(jīng)網(wǎng)絡(luò)的人臉情感識(shí)別14像素的個(gè)數(shù)是不一樣的，而直方圖就是一個(gè)展示不同灰度值在總體像素中分布的圖表，它的橫坐標(biāo)表示灰度值，縱坐標(biāo)表示出現(xiàn)某灰度值的概率大校雖然該直方圖不能詳細(xì)的描述像素的位置以及顯示圖像具體內(nèi)容，但是它卻能很好的描述圖像的灰度分布特性，從這些分布特性中，我們可以得到圖像總體對(duì)比度（亮度最大、最小值之比）、亮度等和圖像質(zhì)量相關(guān)的灰度分布圖。成像系統(tǒng)的亮度是有范圍的，常常由于對(duì)比度不足而使圖像視覺(jué)效果變差，所以進(jìn)行直方圖均衡化之前要先改變像素灰度。本文中采用非線性灰度變換來(lái)進(jìn)行灰度轉(zhuǎn)化，假設(shè)輸入圖像在坐標(biāo)x,y處的像素灰度值為fx,y，則變換后的像素灰度值gx,y如式（2-4）所示。gx,ycfx,ye（2-4）式中，c為可變參數(shù)，e為補(bǔ)償系數(shù)，可以選擇性突出某些范圍，為伽瑪系數(shù)，當(dāng)小于1時(shí)，增加低灰度區(qū)域?qū)Ρ榷�，�?dāng)大于1時(shí)，增加高灰度區(qū)域?qū)Ρ榷�，�?dāng)?shù)扔?時(shí)，有對(duì)數(shù)變換的效果，變換后的圖像如圖2-5所示。圖2-5灰度轉(zhuǎn)化后的圖像Figure2-5Imageaftergrayscaleconversion將變換后的圖像進(jìn)行直方圖均衡化，假設(shè)圖像M的最大灰度級(jí)數(shù)為L(zhǎng)，那么圖像M含有的灰度值表示為0,1,,1krkL，若knr為一幅灰度圖像中灰度級(jí)kr出現(xiàn)的個(gè)數(shù)，那么圖像M的直方圖表示為式（2-5）。0,1,,1kknprkLN（2-5）

【參考文獻(xiàn)】：
期刊論文
[1]情感識(shí)別與教育[J]. 余梓彤,李曉白,趙國(guó)英.  人工智能. 2019(03)
[2]基于深度學(xué)習(xí)的學(xué)習(xí)者情感識(shí)別與應(yīng)用[J]. 徐振國(guó),張冠文,孟祥增,黨同桐,孔璽.  電化教育研究. 2019(02)
[3]混合式學(xué)習(xí)環(huán)境下情緒分析應(yīng)用與模型研究——基于元分析的視角[J]. 徐曉青,趙蔚,劉紅霞.  電化教育研究. 2018(08)
[4]面向人臉表情識(shí)別的遷移卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 翟懿奎,劉健.  信號(hào)處理. 2018(06)
[5]基于深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的人臉表情識(shí)別綜述[J]. 王信,汪友生.  應(yīng)用科技. 2018(01)
[6]深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用[J]. 張順,龔怡宏,王進(jìn)軍.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[7]基于深度時(shí)空域卷積神經(jīng)網(wǎng)絡(luò)的表情識(shí)別模型[J]. 楊格蘭,鄧曉軍,劉琮.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(07)
[8]一種用于人臉表情識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)[J]. 盧官明,何嘉利,閆靜杰,李海波.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(01)
[9]CNN深度學(xué)習(xí)模型用于表情特征提取方法探究[J]. 張昭旭.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2016(03)
[10]人臉特征點(diǎn)提取方法綜述[J]. 李月龍,靳彥,汪劍鳴,肖志濤,耿磊.  計(jì)算機(jī)學(xué)報(bào). 2016(07)

博士論文
[1]智慧學(xué)習(xí)環(huán)境中學(xué)習(xí)畫(huà)面的情感識(shí)別及其應(yīng)用[D]. 徐振國(guó).山東師范大學(xué) 2019
[2]人臉表情識(shí)別算法分析與研究[D]. 周書(shū)仁.中南大學(xué) 2009
[3]人臉表情識(shí)別中若干關(guān)鍵技術(shù)的研究[D]. 何良華.東南大學(xué) 2005

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別研究[D]. 張琳琳.長(zhǎng)春工業(yè)大學(xué) 2019
[2]基于多模態(tài)情感識(shí)別的自適應(yīng)教學(xué)系統(tǒng)研究與實(shí)現(xiàn)[D]. 凌云昊.上海交通大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別研究[D]. 方圓.西安電子科技大學(xué) 2017
[4]基于深度學(xué)習(xí)的人臉面部情感識(shí)別的研究[D]. 劉元震.哈爾濱工業(yè)大學(xué) 2017
[5]基于Gabor小波變換與分形維的人臉情感識(shí)別[D]. 胡秀麗.長(zhǎng)沙理工大學(xué) 2008



本文編號(hào)：2974993