基于卷积神经网络的表情识别研究与应用
发布时间：2021-11-10 14:13
表情识别是一个横跨人工智能、神经学、计算机等学科的交叉领域,在心理分析、临床医学、车辆监控等领域都有着广泛的应用。但由于表情识别特征提取难度、表情复杂度较高,传统机器学习算法容易忽略对于分类有重要作用的特征,导致表情识别的准确率较低。近年来随着深度学习和并行计算的发展,将基于深度学习的卷积神经网络应用到表情分类问题引起了学者们的关注。这得益于深度学习的特征提取是通过反向传播和误差优化来更新迭代权重,能够提取出容易忽视的关键点和特征。但依然存在实现复杂、依赖大量数据集、计算量大等问题。因此,本文主要针对以上问题对优化卷积神经网络及其内部结构开展研究。本文主要工作及创新点如下:1、目前的卷积神经网络对表情识别的细微特征提取程度不够,且训练时间长。为了解决这一问题,本文对GoogLeNet网络结构进行了优化,提出了一种基于并行结构的卷积神经网络。该算法的核心为两个并行的卷积池化结构,通过对表情图像提取不同的特征,之后再进行特征融合。该结构增加了网络的宽度和对于尺度的适应性,能够从不同角度提取图像的特征。2、虽然ReLU激活函数很好的保持了函数的稀疏性,但无法缓解均值偏移、神经元死亡的问题。针...
【文章来源】：青岛大学山东省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
LeNet-5网络结构图
图 2.2 AlexNet 网络结构图AlexNet 与 LeNet 不同点在于，一是使用了 ReLU 激活函数代替了传统的线性激活函数。ReLU 将计算出来小于零的值强制等于零，保证了网络适度的稀疏性，并且计算简单，大大提高了训练速度与准确率。二是使用了 Dropout 和 DataAugmentation 来防止过拟合的现象。Dropout 以 0.5 的概率，将每个隐层神经元的输出设置为零。每次输入一个样本，都相当于尝试了一个新的结构。Data Augmentation通过变换已有的训练集来生成新的数据集，从而扩大训练集的数量。三是使用最大池化代替平均池化，避免平均池化造成的特征模糊。且提出的最大池化的步长比池化核要小，这可以输出有重叠和覆盖的特征图像，增加特征的多样性。表 2.2 给出了 AlexNet 网络的参数。表 2.2 GoogLeNet 网络参数层 说明 参数数量Input 输入 224*224 的图像 0
图 2.4 VGGNet 实验过程可以看出，从左到右网络的整体结构不变，分别有五的卷积特征提取。但每个阶段用到的卷积层数不同。RN并没有对分类结果有实质性的提升，因此在B之后的卷积层数目的增加，分类准确率逐渐上升，在 VGG-19。B、C 网络的对比说明了 1*1 卷积层引入的非线性确、D 网络的对比说明了 3*3 的卷积核确实比 1*1 的卷积*3 的卷积核能够更好地捕捉到全局信息。 Residual Learning 模型idual Learning 模型是一种残差网络模型，在很大程度上问题。该模型在 2015 ImageNet 分类和检测的比赛中均者们在设计网络结构时不断增加网络的深度，想以此来
【参考文献】：
期刊论文
[1]基于LBP卷积神经网络的面部表情识别[J]. 江大鹏,杨彪,邹凌. 计算机工程与设计. 2018(07)
[2]基于深度学习的人脸跟踪自动初始化方法[J]. 陈芷薇,陈姝. 计算机工程与科学. 2017(04)
[3]基于张量的2D-PCA人脸识别算法[J]. 叶学义,王大安,宦天枢,夏经文,顾亚风. 计算机工程与应用. 2017(06)
[4]基于卷积神经网络的人脸识别算法[J]. 李辉,石波. 软件导刊. 2017(03)
[5]受限局部模型在人脸特征点定位中应用综述[J]. 金鑫,谭晓阳. 小型微型计算机系统. 2017(02)
[6]基于深度时空域卷积神经网络的表情识别模型[J]. 杨格兰,邓晓军,刘琮. 中南大学学报(自然科学版). 2016(07)
[7]基于改进LBP算子的纹理图像分类方法[J]. 李春利,沈鲁娟. 计算机工程与设计. 2016(01)
[8]基于LBP/VAR与DBN模型的人脸表情识别[J]. 何俊,蔡建峰,房灵芝,何忠文. 计算机应用研究. 2016(08)
[9]基于并行卷积神经网络的人脸关键点定位方法研究[J]. 杨海燕,蒋新华,聂作先. 计算机应用研究. 2015(08)
[10]基于神经网络的人脸识别系统[J]. 李文琴,曾广朴,文俊浩. 激光杂志. 2015(03)
硕士论文
[1]基于Caffe平台深度学习的人脸识别研究与实现[D]. 魏正.西安电子科技大学 2015
[2]基于Gabor和条件随机场的人脸表情识别[D]. 张博.山东大学 2015
[3]基于卷积神经网络的人脸检测和性别识别研究[D]. 汪济民.南京理工大学 2015
[4]基于MLBP-TOP与光流多特征的人脸表情融合识别研究[D]. 孔健.江苏大学 2009
本文编号：3487413
【文章来源】：青岛大学山东省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
LeNet-5网络结构图
图 2.2 AlexNet 网络结构图AlexNet 与 LeNet 不同点在于，一是使用了 ReLU 激活函数代替了传统的线性激活函数。ReLU 将计算出来小于零的值强制等于零，保证了网络适度的稀疏性，并且计算简单，大大提高了训练速度与准确率。二是使用了 Dropout 和 DataAugmentation 来防止过拟合的现象。Dropout 以 0.5 的概率，将每个隐层神经元的输出设置为零。每次输入一个样本，都相当于尝试了一个新的结构。Data Augmentation通过变换已有的训练集来生成新的数据集，从而扩大训练集的数量。三是使用最大池化代替平均池化，避免平均池化造成的特征模糊。且提出的最大池化的步长比池化核要小，这可以输出有重叠和覆盖的特征图像，增加特征的多样性。表 2.2 给出了 AlexNet 网络的参数。表 2.2 GoogLeNet 网络参数层 说明 参数数量Input 输入 224*224 的图像 0
图 2.4 VGGNet 实验过程可以看出，从左到右网络的整体结构不变，分别有五的卷积特征提取。但每个阶段用到的卷积层数不同。RN并没有对分类结果有实质性的提升，因此在B之后的卷积层数目的增加，分类准确率逐渐上升，在 VGG-19。B、C 网络的对比说明了 1*1 卷积层引入的非线性确、D 网络的对比说明了 3*3 的卷积核确实比 1*1 的卷积*3 的卷积核能够更好地捕捉到全局信息。 Residual Learning 模型idual Learning 模型是一种残差网络模型，在很大程度上问题。该模型在 2015 ImageNet 分类和检测的比赛中均者们在设计网络结构时不断增加网络的深度，想以此来
【参考文献】：
期刊论文
[1]基于LBP卷积神经网络的面部表情识别[J]. 江大鹏,杨彪,邹凌. 计算机工程与设计. 2018(07)
[2]基于深度学习的人脸跟踪自动初始化方法[J]. 陈芷薇,陈姝. 计算机工程与科学. 2017(04)
[3]基于张量的2D-PCA人脸识别算法[J]. 叶学义,王大安,宦天枢,夏经文,顾亚风. 计算机工程与应用. 2017(06)
[4]基于卷积神经网络的人脸识别算法[J]. 李辉,石波. 软件导刊. 2017(03)
[5]受限局部模型在人脸特征点定位中应用综述[J]. 金鑫,谭晓阳. 小型微型计算机系统. 2017(02)
[6]基于深度时空域卷积神经网络的表情识别模型[J]. 杨格兰,邓晓军,刘琮. 中南大学学报(自然科学版). 2016(07)
[7]基于改进LBP算子的纹理图像分类方法[J]. 李春利,沈鲁娟. 计算机工程与设计. 2016(01)
[8]基于LBP/VAR与DBN模型的人脸表情识别[J]. 何俊,蔡建峰,房灵芝,何忠文. 计算机应用研究. 2016(08)
[9]基于并行卷积神经网络的人脸关键点定位方法研究[J]. 杨海燕,蒋新华,聂作先. 计算机应用研究. 2015(08)
[10]基于神经网络的人脸识别系统[J]. 李文琴,曾广朴,文俊浩. 激光杂志. 2015(03)
硕士论文
[1]基于Caffe平台深度学习的人脸识别研究与实现[D]. 魏正.西安电子科技大学 2015
[2]基于Gabor和条件随机场的人脸表情识别[D]. 张博.山东大学 2015
[3]基于卷积神经网络的人脸检测和性别识别研究[D]. 汪济民.南京理工大学 2015
[4]基于MLBP-TOP与光流多特征的人脸表情融合识别研究[D]. 孔健.江苏大学 2009
本文编号：3487413
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3487413.html
最近更新
教材专著
