表情是人類表達(dá)情感的重要非語言行為,無法抑制與偽造的微表情能夠提供相比于宏表情更多的真實(shí)信息。微表情的持續(xù)時(shí)間極短,肉眼幾乎無法捕捉,利用這個(gè)特性,微表情可用于測(cè)謊、心理咨詢、國家安防,甚至于新型課堂教育中。日常生活中,除非經(jīng)過專業(yè)的訓(xùn)練,想要人為判斷微表情是非常困難的。而一位專業(yè)識(shí)別微表情的心理學(xué)家被培養(yǎng)起來也十分困難。于是如何利用機(jī)器自動(dòng)識(shí)別微表情便成為了當(dāng)下一個(gè)熱門的研究方向。傳統(tǒng)微表情自動(dòng)識(shí)別方法大多需要預(yù)先手動(dòng)對(duì)人臉淺層特征進(jìn)行提取,這會(huì)加大很多工作量,并且還會(huì)存在丟失部分圖像信息的問題,導(dǎo)致識(shí)別準(zhǔn)確率達(dá)不到預(yù)期目標(biāo)。近年來機(jī)器學(xué)習(xí)由于具有出色的特征提取與分類能力,被越來越多學(xué)者應(yīng)用于圖像分類識(shí)別領(lǐng)域。微表情識(shí)別作為其中的一個(gè)研究方向,相較于傳統(tǒng)的分類識(shí)別方法,在準(zhǔn)確率上也取得了不錯(cuò)的成果。不過,機(jī)器學(xué)習(xí)同時(shí)也伴隨著參數(shù)爆炸、過擬合、硬件要求高、模型訓(xùn)練速度慢和無法保障實(shí)時(shí)性等問題。本文針對(duì)這些問題,提出了使用一種改進(jìn)自原本用于分類處理一維數(shù)據(jù)的隨機(jī)配置網(wǎng)絡(luò)的,能夠直接處理二維圖像數(shù)據(jù)的二維隨機(jī)配置網(wǎng)絡(luò)來對(duì)微表情進(jìn)行分類識(shí)別。其在保證準(zhǔn)確率的同時(shí),還降低了硬件的要求,提升了模... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１本文內(nèi)容結(jié)構(gòu)??Ｆｉｇ．?１．１?Ｃｏｎｔｅｎｔ?ｓｔｒｕｃｔｕｒｅ??

各自的樹突，這就完成了生物體內(nèi)信息的交流。??簡單來說，樹突的作用是接受外界的刺激信號(hào)，而軸突可以將刺激信號(hào)處理，然后進(jìn)行??傳遞。學(xué)者通過對(duì)這個(gè)傳遞過程進(jìn)行分析，將其應(yīng)用在計(jì)算機(jī)運(yùn)算上，將復(fù)雜的問題通??過分割成若千小問題，構(gòu)成人工神經(jīng)網(wǎng)絡(luò)，這樣有利于將任意的非線性函數(shù)進(jìn)行擬合操??作，可以將一些抽象的問題轉(zhuǎn)化成通過計(jì)算機(jī)計(jì)算數(shù)學(xué)函數(shù)來解決。??多感知機(jī)整合的層級(jí)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)即是人工神經(jīng)網(wǎng)絡(luò)［３２］。人工神經(jīng)網(wǎng)絡(luò)中后一神經(jīng)??元的輸入即是所有前神經(jīng)元的輸出，下圖是其網(wǎng)絡(luò)模型：??圖２．?１人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．?２．１?Ｔｈｅ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－７?－??

?基于機(jī)器學(xué)習(xí)的人臉微表情識(shí)別技術(shù)研究???ｉ?？?’?．：?，??分析圖２．１，我們可以清晰地看出人工神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)，即是輸入層，隱藏層??與輸出層。輸入層對(duì)數(shù)據(jù)進(jìn)行輸入，對(duì)偏執(zhí)單元進(jìn)行添加；隱藏層中對(duì)偏置項(xiàng)單元進(jìn)行??計(jì)算，更新隱含神經(jīng)元；輸出層則是對(duì)數(shù)據(jù)處理結(jié)果進(jìn)行輸出。為了更好地將問題轉(zhuǎn)化??為非線性函數(shù)形式，人工神經(jīng)網(wǎng)絡(luò)中使用了多種感知機(jī)系統(tǒng)，其中通過不同的激活函數(shù)??可以區(qū)分功能［３３］。引用激活函數(shù)是為了網(wǎng)絡(luò)能夠利用梯度下降的方式來優(yōu)化，所以其必??須可導(dǎo)。Ｓ型生長函數(shù)ｓｉｇｍｏｉｄ、雙曲正切函數(shù)ｔａｎｈ以及線性整流函數(shù)Ｒｅｌｕ三種非線性??映射的激活函數(shù)是最常用的三種激活函數(shù)。??ｓｉｇｍｏｉｄ函數(shù)的表達(dá)式為??，⑵＝１?＋?ｅｘｐ（－ｚ）?（２－１）??ｓｉｇｍｏｉｄ的函數(shù)圖像如圖２．２所示。???Ｓｉｇｍｏｉｄａｌ?Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎ???：ｌ７—??卜?／??Ｉ０４?ｉ?／??Ｌ?Ｊ??００?，???－１０．０?－７．５?－５．０?－２．５?０．０?２５?５．０?７．Ｓ?１０．０??Ａｃｔｉｖｉｔｙ?ｏｆ?Ｎｅｕｒｏｎ??圖２．?２?ｓｉｇｍｏｉｄ函數(shù)圖像??Ｆｉｇ．?２．２?Ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ?ｉｍａｇｅ??ｔａｎｈ函數(shù)的表達(dá)式為??ｅｚ?－?ｅ￣ｚ??’（ｚ）＝＾ｖ：ｚ?（２－２）??ｔａｎｈ的函數(shù)圖像如圖２．３所示。??－８?－??


本文編號(hào)：3354592