面部表情包含豐富的情感信息,是人類日常生活中重要的組成部分。面部表情分為宏表情和微表情。宏表情持續(xù)時間為3/4到2秒,可以在整個面部發(fā)現(xiàn),因此可以被容易地發(fā)現(xiàn),但是宏表情可以被人為操控,容易產(chǎn)生虛假表情。微表情持續(xù)時間只有1/25到1/5秒,是無意識地出現(xiàn)在面部的,具有不可掩飾性,對應(yīng)著人類的真實情感。因此微表情的識別具有重要意義。由于微表情持續(xù)時間短,面部表情的強度低,這就給使用肉眼識別微表情造成了很大的困難。因此微表情的自動識別研究具有較強的理論和實踐意義。目前使用模式識別方法對微表情進行自動識別時,基本都是從整張人臉上提取信息。但是微表情在大部分情況下只有單一區(qū)域的面部肌肉運動出現(xiàn),這使得在微表情識別過程中提取了很多和微表情無關(guān)的信息,從而影響了識別結(jié)果,增加了計算量。針對上述問題,本文提出一種基于三通道卷積神經(jīng)網(wǎng)絡(luò)和特征增強網(wǎng)絡(luò)(SETFNet)對自發(fā)微表情進行識別的方法。網(wǎng)絡(luò)中的三個通道分別輸入三個不同的局部面部區(qū)域(左眼+左眉毛、右眼+右眉毛和嘴),這樣可以減少和微表情無關(guān)的信息同時減少計算量。另外,我們在網(wǎng)絡(luò)中增加了SE網(wǎng)絡(luò)模塊,該模塊能夠增強有效特征、抑制無用特征,從而...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1一個“高興”微表情樣本的部分圖片，其面部運動單元AU12的變化

西南大學(xué)碩士學(xué)位論文2干相互獨立的運動單元（AU），通過AU來描述面部表情的強度和位置。表情是由一個或者多個不同面部運動單元組成，如：高興通常由AU6+AU12組成。微表情AU的強度較低，且大部分情況下只有單一的運動單元發(fā)現(xiàn)變化，圖1.1是一個高興的微表情樣本，其面部運動單元只有....

圖2.1CASMEⅡ數(shù)據(jù)庫中“厭惡”微表情圖像序列

西南大學(xué)碩士學(xué)位論文8圖2.1CASMEⅡ數(shù)據(jù)庫中“厭惡”微表情圖像序列表2.2CASMEⅡ數(shù)據(jù)庫基本信息數(shù)據(jù)庫樣本數(shù)幀速率幀分辨率情緒類型高興厭惡驚訝壓抑悲傷害怕其他CASMEⅡ255200fps640×480326325277299本試驗使用SMIC中的HS數(shù)據(jù)集，共164個....

圖2.2試驗預(yù)處理流程圖

第二章自發(fā)微表情數(shù)據(jù)庫與預(yù)處理9圖2.2試驗預(yù)處理流程圖2.2.1人臉檢測及裁剪微表情信息并不是在全臉都存在，而且其運動程度較為微弱，如果使用整張人臉進行特征提取，會使特征在中包含很多噪聲，同時增加計算量，因此我們截取包含微表情信息較多的局部區(qū)域作為輸入特征。目前分析面部表情特點....

圖2.3AUs在面部對應(yīng)的位置

西南大學(xué)碩士學(xué)位論文10圖2.3AUs在面部對應(yīng)的位置為了截取興趣區(qū)，去除掉無用的面部信息，首先使用人臉檢測去定位人臉關(guān)鍵點，然后基于定位的關(guān)鍵點確定興趣區(qū)。本文使用DRMF算法[44]對微表情視頻序列進行逐幀檢測，DRMF算法相比其他檢測系統(tǒng)具有更強的定位能力和健壯性等特點，可....

本文編號：3995158