自然环境下的人脸表情识别方法研究
发布时间：2021-03-09 04:14
情感在人类社会交往传递信息的过程中起到了非常重要的作用。人脸表情是人类表达情感状态和意图的最有力、最自然、最普遍的信号之一。建立一个自动识别人脸表情的系统是近年来的一个研究热点。目前深度神经网络越来越多地被用于学习识别表征的自动化人脸表情识别任务。由于自然环境下的复杂场景,导致在采集自然环境下的人脸表情数据集时存在很大的困难,现存的深度学习算法在自然环境下的数据集上由于缺乏足够的训练数据导致过度拟合。大量的训练数据才能驱动深度学习模型去捕捉与表情相关的细微变化。此外,在有限的训练样本的情况下,自然环境下的复杂环境因素,例如照明变化、遮挡、大幅度姿态变化等影响因素是导致情感识别率偏低的主要因素。针对以上两个问题,本文提出基于少样本学习和解散表达学习的自然环境下人脸表情识别方法。文章的主要内容和创新点如下:1)基于少样本学习的自然环境下人脸表情识别方法。该方法引入少样本学习的思想,构建一个自然环境下的FER深度学习框架—卷积关系网络（Convolutional Relation Network,CRN）,该框架通过比较充足样本间的特征相似性进行学习,利用样本数量较少的样本来识别新的类。具体...
【文章来源】：江苏大学江苏省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图１．１六种基本人脸表情??
?自然环境下的人脸表情识，别方法研究???瞧＿觀??（ａ）实验室控制环境下的人脸样本?（ｂ）自然环境下的人脸样本??图１．２实验室控制的环境下和自然环境下进行面部表情识别对比图??近年来，基于包含图像或图像序列的静态／动态数据库研究的ＦＥＲ在迅速发??展＾现实生活中的大规模人脸表倩数据库是通过从２联网上获取图像而构建出来??的［２２］，更适合于近年来广为人知的深度学习方法。但是，在華期的ＦＥＲ中，大??多是采用手工特征来进行任务识别。在最近的ＥｍｏｔｉＷ系列比赛中，基于手工特??征和学习型特征采用了许多方法。例如，ＥｍｏｔｉＷ?２０１３竞赛的基准是基于使用简??单的非线性特征和非线性ＳＶＭ［２３］。即使是表现最好的方法［２４］［２５］也会应用到了手??：￡特征，例如：比例不变特征变换（ＳＩＦＴ）特征［２５域定向梯度（ＨＯＧｓ）特征［２６］??以及金字塔的直方图ｐ４］。同样，手工特征（即密集的ＳＩＦＴ和文字袋）在ＦＥＲ－２０１３??竞争中也获得了高性能。但是，自２０１３年以来，由于ＦＥＲ２０１３［２７］和自然环境下??情感识别（ＥｍｏｔｉＷ）等情感识别竞赛的开展，在具有挑战性的现实场景中收集??的训练数据开始相对充足，这隐含地促进了?ＦＥＲ从实验室控制到自然环境的过??渡。闻时，由于芯片处理能力（例如ＧＰＵ单元）的显著提高和精心设计的网络??体系结构，各个领域的研宄己开始转向深度学习方法，从而获得最新的认可准确??性，并且大大超过先前的结果。同样，由于拥有更有效的人脸表情训练数据，越??来越多的学者采用深度学习技术来应对自然环境下情感识别的挑战性因素。??使用各种标准以及经过修改的深度学习网络体系结构是目前ＦＥ
识，别方法研究???第二章自然环境下人脸表情识别相关理论与技术分析??在本章中，首先对自然环境下人脸表情识别进行概述，紧接着对自然环境下??的人脸表情识别的过程进行系统的介绍，最后介绍将少样本学习和解散表达学习??引入到自然环境下人脸表情识别中的关键算法和相关技术，也为本文的第威章和??第四章奠定了理论基矗??２．１自然环境下人脸表情识别概述??人脸表情识别（ＦＥＲ）的直的是从带有人脸的样本中先检测到人脸区域，再??通过不同的方法进行面部情感特征的提取，最后进行情感分类。如图２．１所示，??人脸表情识别系统框架包括３个步骤：１）人脸检测，２）表情特征提取，３）人??脸表情分类。每一个步骤都是ＦＥＲ中不可或缺的，并且每ｄ部分都有很多学者??投身于此，进行发展和创新，共同作用促使人脸表情识别系统可以达到更好的性??能。自然环境下的人脸表情识别由于其复杂性，在以上每个步骤中都存在着困难??和挑战。??人脍检测?归一化?手工特征?学习型特征?传统分类器?神经网络??图２．１人脸表情识别系统框架??（１）人脸检测。人脸检测普遍存在于人脸识别领域和人脸表情识别领域，??是预处理环节中不可缺少的一部分，也一定程度上对后面的步骤产生影响。人脸??检测是園的是从包含背景的输入图片中定位出人脸所在的区域，从而剔除大部分??与人脸无关的背景区域。人脸归一化是将检测到的人脸进行归一化处理ａ??（２）表情特征提龋提取表倩特征是人脸表情识别中的一个重要环节，对??定位到的人脸进行特征提取操作得到有利于最后分类的有效信息是？常必要的。??不同提取特征的方式也会对应着得到不同的特征，因此，特征提取也是所有分类??１２??
本文编号：3072228
【文章来源】：江苏大学江苏省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图１．１六种基本人脸表情??
?自然环境下的人脸表情识，别方法研究???瞧＿觀??（ａ）实验室控制环境下的人脸样本?（ｂ）自然环境下的人脸样本??图１．２实验室控制的环境下和自然环境下进行面部表情识别对比图??近年来，基于包含图像或图像序列的静态／动态数据库研究的ＦＥＲ在迅速发??展＾现实生活中的大规模人脸表倩数据库是通过从２联网上获取图像而构建出来??的［２２］，更适合于近年来广为人知的深度学习方法。但是，在華期的ＦＥＲ中，大??多是采用手工特征来进行任务识别。在最近的ＥｍｏｔｉＷ系列比赛中，基于手工特??征和学习型特征采用了许多方法。例如，ＥｍｏｔｉＷ?２０１３竞赛的基准是基于使用简??单的非线性特征和非线性ＳＶＭ［２３］。即使是表现最好的方法［２４］［２５］也会应用到了手??：￡特征，例如：比例不变特征变换（ＳＩＦＴ）特征［２５域定向梯度（ＨＯＧｓ）特征［２６］??以及金字塔的直方图ｐ４］。同样，手工特征（即密集的ＳＩＦＴ和文字袋）在ＦＥＲ－２０１３??竞争中也获得了高性能。但是，自２０１３年以来，由于ＦＥＲ２０１３［２７］和自然环境下??情感识别（ＥｍｏｔｉＷ）等情感识别竞赛的开展，在具有挑战性的现实场景中收集??的训练数据开始相对充足，这隐含地促进了?ＦＥＲ从实验室控制到自然环境的过??渡。闻时，由于芯片处理能力（例如ＧＰＵ单元）的显著提高和精心设计的网络??体系结构，各个领域的研宄己开始转向深度学习方法，从而获得最新的认可准确??性，并且大大超过先前的结果。同样，由于拥有更有效的人脸表情训练数据，越??来越多的学者采用深度学习技术来应对自然环境下情感识别的挑战性因素。??使用各种标准以及经过修改的深度学习网络体系结构是目前ＦＥ
识，别方法研究???第二章自然环境下人脸表情识别相关理论与技术分析??在本章中，首先对自然环境下人脸表情识别进行概述，紧接着对自然环境下??的人脸表情识别的过程进行系统的介绍，最后介绍将少样本学习和解散表达学习??引入到自然环境下人脸表情识别中的关键算法和相关技术，也为本文的第威章和??第四章奠定了理论基矗??２．１自然环境下人脸表情识别概述??人脸表情识别（ＦＥＲ）的直的是从带有人脸的样本中先检测到人脸区域，再??通过不同的方法进行面部情感特征的提取，最后进行情感分类。如图２．１所示，??人脸表情识别系统框架包括３个步骤：１）人脸检测，２）表情特征提取，３）人??脸表情分类。每一个步骤都是ＦＥＲ中不可或缺的，并且每ｄ部分都有很多学者??投身于此，进行发展和创新，共同作用促使人脸表情识别系统可以达到更好的性??能。自然环境下的人脸表情识别由于其复杂性，在以上每个步骤中都存在着困难??和挑战。??人脍检测?归一化?手工特征?学习型特征?传统分类器?神经网络??图２．１人脸表情识别系统框架??（１）人脸检测。人脸检测普遍存在于人脸识别领域和人脸表情识别领域，??是预处理环节中不可缺少的一部分，也一定程度上对后面的步骤产生影响。人脸??检测是園的是从包含背景的输入图片中定位出人脸所在的区域，从而剔除大部分??与人脸无关的背景区域。人脸归一化是将检测到的人脸进行归一化处理ａ??（２）表情特征提龋提取表倩特征是人脸表情识别中的一个重要环节，对??定位到的人脸进行特征提取操作得到有利于最后分类的有效信息是？常必要的。??不同提取特征的方式也会对应着得到不同的特征，因此，特征提取也是所有分类??１２??
本文编号：3072228
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3072228.html
最近更新
教材专著
