發(fā)布時(shí)間：2020-12-20 11:24

　　隨著智能化時(shí)代的來臨,人臉表情識(shí)別技術(shù)在多個(gè)領(lǐng)域有著越來越明顯的實(shí)用價(jià)值。深度學(xué)習(xí)的不斷發(fā)展,為人臉表情識(shí)別帶來了新的突破點(diǎn)和發(fā)展趨勢(shì)。人臉表情識(shí)別一直是一個(gè)充滿挑戰(zhàn)的任務(wù),存在遮擋的低質(zhì)人臉圖像和特征冗余問題對(duì)表情識(shí)別造成了嚴(yán)重影響。本文以深度學(xué)習(xí)技術(shù)為基礎(chǔ),創(chuàng)新型的提出了將卷積神經(jīng)網(wǎng)絡(luò)與生成對(duì)抗網(wǎng)絡(luò)將結(jié)合,對(duì)低質(zhì)數(shù)據(jù)進(jìn)行改進(jìn);在特征提取階段,采用聚類算法對(duì)深層特征進(jìn)行篩選,極大的提高了表情識(shí)別的精確度。具體如下:1.針對(duì)低質(zhì)人臉圖像的遮擋或破損的問題,提出了一種基于端到端的低質(zhì)人臉圖像表情識(shí)別方法。本文通過在現(xiàn)有的人臉數(shù)據(jù)集上手工添加破損或遮擋作為低質(zhì)樣本集,利用生成對(duì)抗網(wǎng)絡(luò)修復(fù)圖像,將復(fù)原后的圖像和低質(zhì)人臉表情圖像以及原始圖像通過卷積神經(jīng)網(wǎng)絡(luò)分類器構(gòu)成三輸入分類器,利用三元排序約束判別損失指導(dǎo)模型訓(xùn)練,以達(dá)到更好的分類效果。2.針對(duì)特征冗余的問題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的特征圖聚類方法。首先通過預(yù)訓(xùn)練網(wǎng)絡(luò)提取網(wǎng)絡(luò)最后一層卷積層的特征圖,然后對(duì)特征圖進(jìn)行聚類操作,取聚類中心構(gòu)成新的特征圖集合,以聚類后的特征圖訓(xùn)練分類器。本文將有監(jiān)督的深度學(xué)習(xí)方法與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相結(jié)合,使用... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

FACA的基本示意

基于深度學(xué)習(xí)的人臉表情識(shí)別方法的研究8神經(jīng)網(wǎng)絡(luò)特征所能看到的輸入圖像的區(qū)域，換句話說特征輸出受感受野區(qū)域內(nèi)的像素點(diǎn)的影響。這也是CNN的發(fā)展源頭[45]，中心思想是對(duì)多維數(shù)據(jù)的處理，從底層局部的簡單認(rèn)知到層次抽象，再到語義理解，整個(gè)過程同人類的視覺感知模式相似。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)包括基本的人工神經(jīng)元，存在大量參數(shù)和偏置常量，具備反向傳播功能[46]。神經(jīng)元同人類的大腦機(jī)制相似，以獨(dú)立的單元形式存在，在其單元范圍內(nèi)對(duì)輸入的數(shù)據(jù)信息進(jìn)行處理后，輸出一系列代表不同類型概率的數(shù)值。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2.1所示，從輸入層到隱含層再到輸出層，層與層之間是全連接的。圖2.1傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)具有相似的結(jié)構(gòu)，包含有輸入層，中間層和輸出層。假設(shè)輸入數(shù)據(jù)為圖像，如圖2.2所示，圖像作為輸入數(shù)據(jù)，代表不同的結(jié)構(gòu)特征，數(shù)據(jù)輸入之后，結(jié)合自身特點(diǎn)，滲透調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，減少參數(shù)冗余的現(xiàn)象，大大提升前饋函數(shù)的效率，提高整體網(wǎng)絡(luò)模型的訓(xùn)練學(xué)習(xí)的速度。圖像作為輸入數(shù)據(jù)輸入系統(tǒng)后，拆分為三維的立體結(jié)構(gòu)，因此卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)元包括width,height,depth三個(gè)信息量，需要注意的是，depth指的是神經(jīng)元的深度[47]。圖2.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)主要包括卷積層、激活函數(shù)和池化層，激活函數(shù)常嵌套到卷積層中，常見結(jié)構(gòu)如圖2.3所示，各個(gè)卷積層單元之間前后遞進(jìn)，上一層的輸出是下一層的輸

基于深度學(xué)習(xí)的人臉表情識(shí)別方法的研究8神經(jīng)網(wǎng)絡(luò)特征所能看到的輸入圖像的區(qū)域，換句話說特征輸出受感受野區(qū)域內(nèi)的像素點(diǎn)的影響。這也是CNN的發(fā)展源頭[45]，中心思想是對(duì)多維數(shù)據(jù)的處理，從底層局部的簡單認(rèn)知到層次抽象，再到語義理解，整個(gè)過程同人類的視覺感知模式相似。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)包括基本的人工神經(jīng)元，存在大量參數(shù)和偏置常量，具備反向傳播功能[46]。神經(jīng)元同人類的大腦機(jī)制相似，以獨(dú)立的單元形式存在，在其單元范圍內(nèi)對(duì)輸入的數(shù)據(jù)信息進(jìn)行處理后，輸出一系列代表不同類型概率的數(shù)值。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2.1所示，從輸入層到隱含層再到輸出層，層與層之間是全連接的。圖2.1傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)具有相似的結(jié)構(gòu)，包含有輸入層，中間層和輸出層。假設(shè)輸入數(shù)據(jù)為圖像，如圖2.2所示，圖像作為輸入數(shù)據(jù)，代表不同的結(jié)構(gòu)特征，數(shù)據(jù)輸入之后，結(jié)合自身特點(diǎn)，滲透調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，減少參數(shù)冗余的現(xiàn)象，大大提升前饋函數(shù)的效率，提高整體網(wǎng)絡(luò)模型的訓(xùn)練學(xué)習(xí)的速度。圖像作為輸入數(shù)據(jù)輸入系統(tǒng)后，拆分為三維的立體結(jié)構(gòu)，因此卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)元包括width,height,depth三個(gè)信息量，需要注意的是，depth指的是神經(jīng)元的深度[47]。圖2.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)主要包括卷積層、激活函數(shù)和池化層，激活函數(shù)常嵌套到卷積層中，常見結(jié)構(gòu)如圖2.3所示，各個(gè)卷積層單元之間前后遞進(jìn)，上一層的輸出是下一層的輸


本文編號(hào)：2927781