人臉表情識(shí)別在模式識(shí)別、情感計(jì)算等領(lǐng)域占據(jù)重要地位,深度學(xué)習(xí)的興起為研究人臉表情識(shí)別帶來了新的契機(jī)。這些年來,表情識(shí)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(xué)習(xí)能力強(qiáng),但是不適用于現(xiàn)實(shí)環(huán)境。而網(wǎng)絡(luò)層數(shù)較少的神經(jīng)網(wǎng)絡(luò)運(yùn)算速率快,但是表征能力不強(qiáng)。深度學(xué)習(xí)模型識(shí)別率與實(shí)時(shí)性的平衡問題是當(dāng)前的一個(gè)難點(diǎn)。另外,在實(shí)驗(yàn)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(shí)驗(yàn)室條件下的識(shí)別性能仍待提升,主要是由于非實(shí)驗(yàn)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(shì)多變的樣本。雖然深度學(xué)習(xí)的方法比人工設(shè)定特征效果好,但根據(jù)實(shí)際情況選擇合適的網(wǎng)絡(luò)仍然是一個(gè)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(fù)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(shí)間復(fù)雜度、空間復(fù)雜度。因?yàn)楸砬樘卣鞅容^細(xì)微,聯(lián)合使用Island損失函數(shù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),擴(kuò)大類間距離,減少表情類內(nèi)差距。網(wǎng)絡(luò)在保證識(shí)別率的基礎(chǔ)...

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)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(jìn)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(diǎn)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(duì)象上，從而同時(shí)確定對(duì)象的形狀、比例和姿態(tài)。如圖１－３所示，在人臉識(shí)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�。▓D片來自方法［１２］）。（ａ）提取幾何特征的多狀態(tài)??模型。（ｂ）計(jì)算外觀特征的位置。??２）主動(dòng)形狀模型??主動(dòng)形狀模型（ＡｃｔｉｖｅＳｈａｐｅ?Ｍｏｄｅｌｓ，ＡＳＭ）是?Ｃｏｏｔｅｓ?等人［１４］于?１９９５?年提??出的一種基于點(diǎn)分布....

圖１－４輸入圖像和它對(duì)應(yīng)的ＬＢＰ圖像以及ＬＢＰ直方圖??

的像素點(diǎn)標(biāo)記為１，比閾值小的像素點(diǎn)標(biāo)記為０。將這些標(biāo)記的值的２次冪求和??就獲得了中心像素點(diǎn)的標(biāo)簽。由于中心點(diǎn)的鄰域由８?jìng)�(gè)像素組成，所以總共可以??獲得２８?＝?２５６個(gè)不同的標(biāo)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(gè)更加通....

本文編號(hào)：3941074