人臉表情識別在模式識別、情感計算等領(lǐng)域占據(jù)重要地位,深度學習的興起為研究人臉表情識別帶來了新的契機。這些年來,表情識別受到越來越多的關(guān)注。深度卷積神經(jīng)網(wǎng)絡(luò)雖然學習能力強,但是不適用于現(xiàn)實環(huán)境。而網(wǎng)絡(luò)層數(shù)較少的神經(jīng)網(wǎng)絡(luò)運算速率快,但是表征能力不強。深度學習模型識別率與實時性的平衡問題是當前的一個難點。另外,在實驗室條件下的數(shù)據(jù)集上,卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用性能接近飽和。而非實驗室條件下的識別性能仍待提升,主要是由于非實驗室條件下的數(shù)據(jù)集中含有一定比例的遮擋、光照不足和頭部姿勢多變的樣本。雖然深度學習的方法比人工設(shè)定特征效果好,但根據(jù)實際情況選擇合適的網(wǎng)絡(luò)仍然是一個棘手的難題。因此,本文圍繞現(xiàn)存在的問題,提出了自己的解決方案。(1)提出了基于特征融合的輕量化卷積神經(jīng)網(wǎng)絡(luò)。將網(wǎng)絡(luò)劃分成不同的模塊,分別在模塊內(nèi)部和模塊之間加入密集連接,重復利用已有特征,保留關(guān)鍵信息并將信息傳遞到后面的網(wǎng)絡(luò)中。網(wǎng)絡(luò)中加入卷積核大小為1x1的卷積層和深度可分離卷積,降低網(wǎng)絡(luò)的時間復雜度、空間復雜度。因為表情特征比較細微,聯(lián)合使用Island損失函數(shù)訓練卷積神經(jīng)網(wǎng)絡(luò),擴大類間距離,減少表情類內(nèi)差距。網(wǎng)絡(luò)在保證識別率的基礎(chǔ)...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

圖１－１左邊為六種基本表情，右邊為中性表情??

生氣（Ａｎｇｒｙ），驚訝（Ｓｕｒｐｒｉｓｅ），厭惡（Ｄｉｓｇｕｓｔ）和恐懼（Ｆｅａｒ）。為了與這六??種基本表情進行比較，一般還定義了一種沒有任何表情的面部狀態(tài)，將之稱為中??性表情（Ｎｅｕｔｒａｌ），這七種面部表情的示例圖片如圖１－１所示。用Ｅｋｍａｎ自己??的話來說，“這六種....

圖１－２表情特征提�。▓D片來自方法［１２］）

出的一種基于點分布（Ｐｏｉｎｔ?Ｄｉｓｔｒｉｂｕｔｉｏｎ?Ｍｏｄｅｌ，ＰＤＭ）的特征匹配方法，通常??用于模擬圖像中物體的外觀和形狀變化。ＡＳＭ通過將合適的ＰＤＭ擬合到感興趣??的對象上，從而同時確定對象的形狀、比例和姿態(tài)。如圖１－３所示，在人臉識別??相關(guān)的任務(wù)中，可以使用ＡＳ....

圖１－３使用ＡＳＭ的面部特征表示（圖片來自方法［１５］）??

（ａ）?（ｂ）??圖１－２表情特征提取（圖片來自方法［１２］）。（ａ）提取幾何特征的多狀態(tài)??模型。（ｂ）計算外觀特征的位置。??２）主動形狀模型??主動形狀模型（ＡｃｔｉｖｅＳｈａｐｅ?Ｍｏｄｅｌｓ，ＡＳＭ）是?Ｃｏｏｔｅｓ?等人［１４］于?１９９５?年提??出的一種基于點分布....

圖１－４輸入圖像和它對應(yīng)的ＬＢＰ圖像以及ＬＢＰ直方圖??

的像素點標記為１，比閾值小的像素點標記為０。將這些標記的值的２次冪求和??就獲得了中心像素點的標簽。由于中心點的鄰域由８個像素組成，所以總共可以??獲得２８?＝?２５６個不同的標簽。圖１－４顯示了?ＬＢＰ圖像和它的直方圖。??在經(jīng)典ＬＢＰ算子基礎(chǔ)上，Ｏｊａｌａ等人開發(fā)出一個更加通....

本文編號：3941074