人臉表情識(shí)別（Facial Expression Recognition,FER）是人機(jī)情感交互研究的一部分,在醫(yī)療、刑偵、教育和娛樂等諸多領(lǐng)域擁有潛在的應(yīng)用價(jià)值。近年來隨著深度學(xué)習(xí)研究深入,具有強(qiáng)大的自動(dòng)特征提取和分類能力的卷積神經(jīng)網(wǎng)絡(luò)在人臉表情識(shí)別領(lǐng)域得到廣泛的研究。研究卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化,提升卷積神經(jīng)網(wǎng)絡(luò)特征提取能力,使模型在一定程度復(fù)雜條件下的人臉表情識(shí)別具有較高的識(shí)別準(zhǔn)確率并具有實(shí)際應(yīng)用價(jià)值。本文首先對(duì)常用的人臉表情識(shí)別特征提取和特征分類方法進(jìn)行分析后,采用改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于人臉表情識(shí)別。針對(duì)常規(guī)卷積神經(jīng)網(wǎng)絡(luò)由于參數(shù)多容易產(chǎn)生過擬合,且在誤差反向傳播過程中易出現(xiàn)梯度消失或爆炸問題,本文提出特定層批量歸一化卷積神經(jīng)網(wǎng)絡(luò)。在網(wǎng)絡(luò)模型前部采用連續(xù)卷積增強(qiáng)特征提取效果;之后在網(wǎng)絡(luò)特定層使用批量歸一化結(jié)構(gòu)調(diào)整特征數(shù)據(jù)的分布,有效解決誤差反向傳播過程中梯度問題;在全連接層通過優(yōu)化Dropout連接概率值達(dá)到稀疏化連接,降低過網(wǎng)絡(luò)擬合可能性。實(shí)驗(yàn)結(jié)果表明改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型具有較快的訓(xùn)練速度和較好的識(shí)別效果。針對(duì)在具有光照、姿態(tài)以及是否自發(fā)表情復(fù)雜條件下的人臉表情特征提取,特定層... 

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 引言
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 相關(guān)進(jìn)展
        1.2.2 目前存在難點(diǎn)
    1.3 論文主要內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 人臉表情識(shí)別相關(guān)技術(shù)
    2.1 表情識(shí)別主要工作流程
    2.2 人臉檢測方法
    2.3 人臉表情特征提取方法
        2.3.1 常規(guī)人臉表情特征提取
        2.3.2 深度神經(jīng)網(wǎng)絡(luò)表情特征提取
    2.4 人臉表情特征分類方法
    2.5 本章小結(jié)
第3章 基于特定層批量歸一化卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別
    3.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)基本模型
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
    3.2 特定層批量歸一化卷積模型
        3.2.1 批量歸一化
        3.2.2 特定層批量歸一化卷積神經(jīng)網(wǎng)絡(luò)模型
        3.2.3 算法框架
        3.2.4 模型屬性設(shè)置
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 人臉表情數(shù)據(jù)集
        3.3.2 連續(xù)卷積優(yōu)化實(shí)驗(yàn)
        3.3.3 不同BN方式的實(shí)驗(yàn)結(jié)果與分析
        3.3.4 Dropout連接密度實(shí)驗(yàn)
        3.3.5 多種方法實(shí)驗(yàn)結(jié)果對(duì)比
    3.4 本章小結(jié)
第4章 基于平行卷積特征融合的人臉表情識(shí)別
    4.1 特征融合研究背景
    4.2 平行卷積特征融合神經(jīng)網(wǎng)絡(luò)
        4.2.1 平行卷積特征提取
        4.2.2 平行通道特征融合
        4.2.3 特征圖的內(nèi)部融合
        4.2.4 分類決策融合
    4.3 平行卷積神經(jīng)網(wǎng)絡(luò)特征融合模型
        4.3.1 PFCNN模型
        4.3.2 網(wǎng)絡(luò)屬性選擇
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 不同特征圖融合方法與不同決策融合組合實(shí)驗(yàn)
        4.4.2 特征圖內(nèi)部融合數(shù)量實(shí)驗(yàn)
        4.4.3 區(qū)分6類表情和7類表情實(shí)驗(yàn)
        4.4.4 不同模型對(duì)比實(shí)驗(yàn)
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：3722278