發(fā)布時(shí)間：2021-07-30 19:44

　　微表情是一種特殊的面部微小動(dòng)作,通常是人們?cè)谀承┉h(huán)境下試圖隱藏而不由自主發(fā)生的一種短暫情感,可以作為判斷情緒的重要依據(jù)。相關(guān)研究是情感計(jì)算領(lǐng)域的重要研究方向,且具有廣泛的應(yīng)用前景。持續(xù)時(shí)間短、變化強(qiáng)度低、局部不對(duì)稱以及環(huán)境因素等影響,使得微表情的檢測(cè)和識(shí)別變得非常困難。為此,本文提出了魯棒微表情關(guān)鍵點(diǎn)定位及特征提取算法,并應(yīng)用于人臉微表情識(shí)別。論文工作如下:（1）研究分析了三種基于深度學(xué)習(xí)的人臉關(guān)鍵點(diǎn)定位網(wǎng)絡(luò)模型,即精細(xì)化卷積神經(jīng)網(wǎng)絡(luò)（Coarse to Fine CNN）、多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（Multi-Task CNN）以及風(fēng)格聚合網(wǎng)絡(luò)（Style Aggregated Network,SAN）。在300W數(shù)據(jù)集和真實(shí)環(huán)境下的對(duì)比實(shí)驗(yàn)表明,與其它兩種網(wǎng)絡(luò)模型相比,SAN模型對(duì)環(huán)境及姿態(tài)變化具有更強(qiáng)的魯棒性。因此本文選定基于SAN的人臉關(guān)鍵點(diǎn)定位算法用于本文所提的微表情特征提取與識(shí)別算法。（2）提出了一種樣本分布均衡約束的微表情特征提取與識(shí)別算法。微表情很難被捕捉和模仿,因此現(xiàn)有相關(guān)數(shù)據(jù)集均存在樣本分布不均衡的問(wèn)題并影響模型訓(xùn)練的效果。為解決這一問(wèn)題,本文設(shè)計(jì)了一種樣本分布均衡損失,... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－３ＦＥＲ２０１３數(shù)據(jù)集中常見(jiàn)的宏觀表情（摘自［１１］）??Ｆｉｇｕｒｅ?１－３?Ｍａｃｒｏ?ｅｘｐｒｅｓｓｉｏｎｓ?ｃｏｍｍｏｎ?ｉｎ?ＦＥＲ２０１３?ｄａｔａｓｅｔ?（Ｃｏｐｉｅｄ?ｆｒｏｍ?ｌｌｌ］）??

２．１．２網(wǎng)絡(luò)結(jié)構(gòu)??該系統(tǒng)的每一級(jí)網(wǎng)絡(luò)都是深度卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入為原始像素，對(duì)期??望點(diǎn)的坐標(biāo)執(zhí)行回歸訓(xùn)練。如圖２－２所示，是典型的深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元。??ｃｏｎｖ．?ｃｏｎｖ．??夢(mèng)?５６?ｃｏｎｖ．?ｕｎｓｈａｒｅｄ??．．．．■??？?６〇?６０?８〇??４０??１?２０?２０?４０?ｆｕｌｌｙ??ｍａｘｐ．?ｍａｘｐ．?ｎｉａｘｐ．?ｃｏｎｎｅｃｔｅｄ??圖２－２典型的深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元??Ｆｉｇｕｒｅ?２－２?Ｓｔｒｕｃｔｕｒａｌ?ｕｎｉｔ?ｏｆ?ａ?ｔｙｐｉｃａｌ?ｄｅｅｐ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??該網(wǎng)絡(luò)由三個(gè)卷積層，一個(gè)非共享卷積層和全連接層組成。每個(gè)卷積層使用??不同的濾波器得到不同的輸出響應(yīng)。設(shè)／＇為第？個(gè)卷積層的輸入，計(jì)算出該層輸出：??ｈｊ－＼?ｗ，－］?ｃ，－＼??＝｜?ｔａｎｈ（ＸＩＺＣ＾．－?＊Ｋｙ＾Ｂｋ）＼?（２－１）??ｊｃ＝〇?產(chǎn)?〇?ｒ＝〇??其中，Ｉ表示卷積層的輸入，Ｆ和Ｂ是可調(diào)參數(shù)。卷積層之后跟著最大池化層，在??池化之前，每個(gè)卷積層濾波之后的激活函數(shù)采用雙曲正切絕對(duì)值函數(shù)，其為網(wǎng)絡(luò)??提供很好的非線性擬合的能力。網(wǎng)絡(luò)采用無(wú)重疊的最大池化：??７，，從＝�！粻�(wèi)?＜／Ｃ—’？＋＃?）?（?２－２?）??盡管池化層會(huì)丟失一些信息，但是對(duì)于整個(gè)網(wǎng)絡(luò)而言，池化帶來(lái)的穩(wěn)健性能??夠較好地補(bǔ)償這種損失

—．—＿?Ｓｒ??圖２－１精細(xì)化卷積神經(jīng)網(wǎng)絡(luò)的系統(tǒng)架構(gòu)??Ｆｉｇｕｒｅ?２－１?Ｔｈｅ?ｓｙｓｔｅｍ?ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?Ｃｏａｒｓｅ?ｔｏ?Ｆｉｎｅ?ＣＮＮ??２．１．２網(wǎng)絡(luò)結(jié)構(gòu)??該系統(tǒng)的每一級(jí)網(wǎng)絡(luò)都是深度卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入為原始像素，對(duì)期??望點(diǎn)的坐標(biāo)執(zhí)行回歸訓(xùn)練。如圖２－２所示，是典型的深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元。??ｃｏｎｖ．?ｃｏｎｖ．??夢(mèng)?５６?ｃｏｎｖ．?ｕｎｓｈａｒｅｄ??．．．．■??？?６〇?６０?８〇??４０??１?２０?２０?４０?ｆｕｌｌｙ??ｍａｘｐ．?ｍａｘｐ．?ｎｉａｘｐ．?ｃｏｎｎｅｃｔｅｄ??圖２－２典型的深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元??Ｆｉｇｕｒｅ?２－２?Ｓｔｒｕｃｔｕｒａｌ?ｕｎｉｔ?ｏｆ?ａ?ｔｙｐｉｃａｌ?ｄｅｅｐ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??該網(wǎng)絡(luò)由三個(gè)卷積層，一個(gè)非共享卷積層和全連接層組成。每個(gè)卷積層使用??不同的濾波器得到不同的輸出響應(yīng)。設(shè)／＇為第？個(gè)卷積層的輸入，計(jì)算出該層輸出：??ｈｊ－＼?ｗ，－］?ｃ，－＼??＝｜?ｔａｎｈ（ＸＩＺＣ＾．－?＊Ｋｙ＾Ｂｋ）＼?（２－１）??ｊｃ＝〇?產(chǎn)?〇?ｒ＝〇??其中，Ｉ表示卷積層的輸入，Ｆ和Ｂ是可調(diào)參數(shù)。卷積層之后跟著最大池化層，在??池化之前，每個(gè)卷積層濾波之后的激活函數(shù)采用雙曲正切絕對(duì)值函數(shù)，其為網(wǎng)絡(luò)??提供很好的非線性擬合的能力。網(wǎng)絡(luò)采用無(wú)重疊的最大池化：??７

【參考文獻(xiàn)】：
期刊論文
[1]人臉微表情識(shí)別綜述[J]. 徐峰,張軍平.  自動(dòng)化學(xué)報(bào). 2017(03)
[2]光流模值估計(jì)的微表情捕捉[J]. 姜波,解侖,劉欣,韓晶,王志良.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2017(03)
[3]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)

碩士論文
[1]微表情特征提取算法研究[D]. 馬浩原.北京交通大學(xué) 2018
[2]基于深度學(xué)習(xí)的微表情特征提取算法設(shè)計(jì)與實(shí)現(xiàn)[D]. 楊雪.北京交通大學(xué) 2017
[3]基于深度學(xué)習(xí)的魯棒表情關(guān)鍵點(diǎn)定位算法設(shè)計(jì)與實(shí)現(xiàn)[D]. 彭營(yíng)營(yíng).北京交通大學(xué) 2017
[4]微表情識(shí)別的理論和方法研究[D]. 劉宇灝.東南大學(xué) 2016



本文編號(hào)：3312013