多角度面部表情識別一直以來都是機(jī)器學(xué)習(xí)和計算機(jī)視覺領(lǐng)域的研究難點(diǎn)之一。傳統(tǒng)意義上的面部表情識別指的是對正面人臉表情圖片進(jìn)行分類。但是現(xiàn)實(shí)中我們獲取的人臉表情圖片,大多是由不同偏轉(zhuǎn)角度的攝像機(jī)所拍攝的多角度人臉表情圖片。不同角度的相同面部表情的特征大不相同,使得計算機(jī)精確的識別多角度面部表情這項任務(wù)更具有挑戰(zhàn)性。此外,許多公開的面部表情識別算法對非限制性條件下采集的人臉圖像識別效果不佳,說明目前多數(shù)表情識別算法離實(shí)際應(yīng)用仍有較大的差距。大多數(shù)的表情識別算法只是對標(biāo)準(zhǔn)正臉表情圖片通過相關(guān)算法進(jìn)行分類,如果直接將正臉表情識別算法使用在多角度人臉表情識別領(lǐng)域,準(zhǔn)確率會極大的降低,因?yàn)檎槺砬楹蛡?cè)臉表情的特征差異很大。針對上述問題,本文采用基于生成對抗網(wǎng)絡(luò)的算法來提高多角度面部表情識別的準(zhǔn)確率和魯棒性。其中對于不同角度下采集的人臉表情圖片,基于遷移學(xué)習(xí)的思想,將側(cè)臉表情特征映射到正臉表情特征空間中,并且優(yōu)化了特征分類的方法。該算法能夠很好的學(xué)習(xí)正臉表情特征和側(cè)臉表情特征之間的映射關(guān)系,并且能夠從兩種角度提取人臉表情的空間特征。算法的有效性在第四章的實(shí)驗(yàn)部分得到了充分的驗(yàn)證。本文的研究內(nèi)容如下:（... 

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
專用術(shù)語注釋表
第一章 緒論
    1.1 課題研究的目的與意義
    1.2 遷移學(xué)習(xí)簡介
    1.3 多角度人臉表情識別研究現(xiàn)狀
    1.4 生成對抗網(wǎng)絡(luò)
    1.5 常用人臉表情數(shù)據(jù)庫
    1.6 研究內(nèi)容
    1.7 論文結(jié)構(gòu)
第二章 遷移學(xué)習(xí)與生成對抗網(wǎng)絡(luò)
    2.1 遷移學(xué)習(xí)的類別
    2.2 生成對抗網(wǎng)絡(luò)原理
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像風(fēng)格轉(zhuǎn)換實(shí)驗(yàn)
    2.4 基于生成對抗網(wǎng)絡(luò)的側(cè)臉正臉轉(zhuǎn)換實(shí)驗(yàn)
    2.5 基于生成對抗網(wǎng)絡(luò)的人臉表情轉(zhuǎn)換實(shí)驗(yàn)
第三章 條件生成對抗網(wǎng)絡(luò)CGAN
    3.1 條件生成對抗網(wǎng)絡(luò)簡介
    3.2 生成器和判別器的設(shè)計
    3.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.1 U-NET結(jié)構(gòu)
        3.3.2 Leaky-Relu激活函數(shù)
        3.3.3 Adam網(wǎng)絡(luò)優(yōu)化算法
    3.4 基于條件生成對抗網(wǎng)絡(luò)的多角度人臉表情識別實(shí)驗(yàn)
第四章 MVFGAN網(wǎng)絡(luò)
    4.1 人臉對齊與數(shù)據(jù)預(yù)處理
    4.2 MVFGAN網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.1 生成器的淺層特征提取
        4.2.2 卷積神經(jīng)網(wǎng)絡(luò)的深層特征分類
    4.3 MVFGAN多角度人臉表情識別實(shí)驗(yàn)
    4.4 MVFGAN和CGAN的融合實(shí)驗(yàn)
        4.4.1 評估不同的融合策略
        4.4.2 跨庫測試
        4.4.3 與最先進(jìn)的水平相比
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
附錄1 程序清單
附錄2 攻讀碩士學(xué)位期間撰寫的論文
附錄3 攻讀碩士學(xué)位期間申請的專利
附錄4 攻讀碩士學(xué)位期間參加的科研項目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報. 2015(01)



本文編號：3679277