本文關鍵詞：基于卷積神經(jīng)網(wǎng)絡的人臉表情和性別識別，由筆耕文化傳播整理發(fā)布。

【摘要】：人臉包含性別、表情、身份、年齡等大量信息,在公共社會安全、經(jīng)濟財產(chǎn)安全、軍事、反恐刑偵、人機交互等電子信息安全領域發(fā)展的迫切驅(qū)動下,人臉表情和性別識別技術已經(jīng)成為一項極具發(fā)展?jié)摿Φ那把丶夹g,也是當前計算機視覺領域的研究熱點。讓計算機具有人的智能,代替人類進行記憶、識別,實現(xiàn)真正的智能時代具有十分重要的應用價值。然而人臉表情和性別識別技術也是計算機視覺領域的難點所在,其主要原因是人臉圖像在獲取過程中,受到光照、表情、姿態(tài)、遮擋物等環(huán)境因素以及拍攝行為等因素的影響。因而,一個出色的人臉表情和性別識別算法應該對這些因素不敏感。卷積神經(jīng)網(wǎng)絡是一種新型的神經(jīng)網(wǎng)絡,它將傳統(tǒng)的人工神經(jīng)網(wǎng)絡和深度學習技術相結合,具有局部感受野區(qū)域、層次結構化、特征提取和分類過程相結合的全局訓練特點,在圖像處理領域取得了巨大的成功。卷積神經(jīng)網(wǎng)絡主要有兩個特性,第一個是神經(jīng)元之間采用局部連接策略,第二個是同一層之間的神經(jīng)元權值共享,采取局部連接和權值共享的網(wǎng)絡結構降低了模型本身的復雜度,減少了需要訓練的參數(shù)個數(shù),這種網(wǎng)絡結構可以獲得某種程度上的平移、尺度和形變不變性。本論文的主要工作如下：1、首先系統(tǒng)的闡述了當前人臉表情識別和性別識別的國內(nèi)外研究現(xiàn)狀,概述了深度學習的起源以及取得的一些成果。然后介紹了神經(jīng)網(wǎng)絡的發(fā)展歷程,著重介紹了卷積神經(jīng)網(wǎng)絡的算法原理和經(jīng)典的網(wǎng)絡結構。2、本論文主要研究了基于卷積神經(jīng)網(wǎng)絡下的人臉表情和性別識別。針對表情識別,首先根據(jù)人臉表情任務的特點,修改了AlexNet網(wǎng)絡結構,設計了一個新的卷積神經(jīng)網(wǎng)絡結構,并在網(wǎng)絡中添加了批規(guī)范化層,使得準確率有3%左右的提升；然后根據(jù)表情識別采用的數(shù)據(jù)集樣本數(shù)量,采用了微調(diào)的訓練機制,在GoogLeNet上,與從頭訓練的方式相比,準確率有了2%左右的提升,并且在使用VGGNet進行微調(diào)時,準確率達到了最高的71.27%,證明了針對本文使用的數(shù)據(jù)集,微調(diào)的策略優(yōu)于重新訓練；在利用GoogLeNet進行微調(diào)實驗時,還比較了Hinge損失函數(shù)和Softmax損失函數(shù)的性能,發(fā)現(xiàn)后者優(yōu)化前者；最后針對現(xiàn)在的研究趨勢,設計了一個多網(wǎng)絡來進行融合,通過實驗發(fā)現(xiàn),在較小的數(shù)據(jù)集上,多網(wǎng)絡的性能比單網(wǎng)絡差。針對性別識別,在VGGNet的基礎上,設計了一個3層的卷積神經(jīng)網(wǎng)絡,在adience數(shù)據(jù)集上,準確率達到了90.82%,在mygender數(shù)據(jù)集上準確率達到了97.10%；然后利用VGGNet在mygender數(shù)據(jù)集上進行微調(diào),準確率達到了99.44%。3、本文使用卷積神經(jīng)網(wǎng)絡在人臉表情和性別數(shù)據(jù)集上訓練得到的模型,然后在Windows 7平臺上利用dlib和Caffe等工具搭建了人臉表情和性別識別系統(tǒng),可以用該系統(tǒng)實時準確地進行檢測識別,并對接下來的工作進行了展望。
【關鍵詞】：卷積神經(jīng)網(wǎng)絡 微調(diào) 表情識別 性別識別
【學位授予單位】：安徽大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TP183
【目錄】：

• 摘要3-5
• Abstract5-9
• 第一章 緒論9-14
• 1.1 研究背景及意義9-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-12
• 1.3 本文組織結構12-14
• 第二章 卷積神經(jīng)網(wǎng)絡相關基礎知識14-28
• 2.1 感知機14-16
• 2.2 反向傳播算法16-19
• 2.3 Hopfield神經(jīng)網(wǎng)絡19-21
• 2.4 卷積神經(jīng)網(wǎng)絡的特點21-23
• 2.5 池化23-24
• 2.6 Softmax回歸24-25
• 2.7 卷積神經(jīng)網(wǎng)絡結構25-27
• 2.8 本章小結27-28
• 第三章 基于卷積神經(jīng)網(wǎng)絡的人臉表情識別和性別識別28-47
• 3.1 FER2013表情庫和性別識別庫28-30
• 3.2 基于卷積神經(jīng)網(wǎng)絡的表情識別30-38
• 3.2.1 基于淺層卷積神經(jīng)網(wǎng)絡的表情識別30-33
• 3.2.2 基于微調(diào)的表情識別33-36
• 3.2.3 基于改進卷積神經(jīng)網(wǎng)絡的表情識別36-38
• 3.3 基于卷積神經(jīng)網(wǎng)絡的性別識別38-40
• 3.3.1 基于淺層卷積神經(jīng)網(wǎng)絡的性別識別38-39
• 3.3.2 基于微調(diào)的性別識別39-40
• 3.4 實驗結果與分析40-46
• 3.4.1 關于人臉表情識別實驗的結果與分析40-45
• 3.4.2 關于人臉性別識別實驗的結果與分析45-46
• 3.5 本章小結46-47
• 第四章 人臉表情和性別識別系統(tǒng)實現(xiàn)47-52
• 4.1 人臉表情和性別識別系統(tǒng)47-51
• 4.1.1 系統(tǒng)的開發(fā)環(huán)境47
• 4.1.2 系統(tǒng)模塊流程47-48
• 4.1.3 系統(tǒng)功能及運行效果48-51
• 4.2 本章小結51-52
• 第五章 總結與展望52-54
• 5.1 工作總結52-53
• 5.2 工作展望53-54
• 參考文獻54-59
• 致謝59-60
• 攻讀碩士學位期間發(fā)表的論文及參與的科研項目60

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

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

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 施徐敢;基于深度學習的人臉表情識別[D];浙江理工大學;2015年

2 汪濟民;基于卷積神經(jīng)網(wǎng)絡的人臉檢測和性別識別研究[D];南京理工大學;2015年

3 柳華;靜態(tài)圖像中人臉表情和性別識別的研究[D];濟南大學;2010年

  本文關鍵詞：基于卷積神經(jīng)網(wǎng)絡的人臉表情和性別識別，由筆耕文化傳播整理發(fā)布。

，

本文編號：337946