基于深度卷积神经网络的小尺度人脸情绪识别
发布时间：2020-12-22 14:29
人脸情绪识别是提升机器智能程度的重要环节,在社交机器人、医学治疗及疲劳驾驶监测等人机交互系统中有着广泛的应用。传统的人脸情绪识别主要靠人工提取特征结合分类的方法,存在操作复杂、特征表征能力不强、效果差等问题,用深度学习的方法来替代传统人脸情绪识别方法可以有效弥补上述不足。随着人们对深度卷积神经网络的认知不断更新,特定人脸情绪识别算法中的网络结构不合理、训练效率低下等问题显现。本文为解决这些问题,对整个系统中的人脸检测和小尺度情绪识别分别展开研究。针对特定的人脸检测算法网络,提出了一种网络调整的方案。对特定的人脸检测算法网络结构进行深入分析,包括参数量、计算量和感受野。采用连续堆叠的小卷积核构成小卷积核加速模块,替换网络浅层特征提取模块。采用空洞卷积结合普通卷积构成视觉感知模块,替换网络深层特征提取模块。通过实验验证了网络调整方案的有效性。针对人脸检测算法模型训练,提出了一种引导式训练策略。启发于教师教学的渐进式特点,在网络训练的周期中引入真实目标信息,并逐渐减少信息量。通过实验验证了引导式训练策略的可行性。针对小尺度人脸情绪识别,提出了一种基于注意力机制的网络。对算法场景进行分析,调整...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
人脸情绪识别流程图
哈尔滨工业大学工程硕士学位论文学习的检测方法。图1-2基于传统图像处理的人脸检测方法[2]早期的人脸检测方法基本上都是通过传统图像处理来实现的，其中最有影响力的便是Viola-Jones算法[2]，具体做法是先通过滑动窗口来得到候选框，然后通过一些人工设计的算子，如Haar-like算子[3]来提取候选框中图像的特征，再用传统的机器学习算法如SVM[4]进行分类，最后利用级联的分类器来进一步提升分类器的准确率。如图1-2所示，先利用滑动窗口来获取候选框，然后提取候选框中图像的特征并用级联分类器来判断是否是人脸，最后通过后处理来得到整个人脸的矩形区域。类似框架的算法还有很多[5–9]，它们都是对级联分类器结构的改进，采用树形级联结构或者更为复杂的级联结构，如图1-3所示。该类算法面临着手动提取特征的局限性，且利用滑动窗口来获取候选框的做法比较耗时，在复杂场景下表现较差，鲁棒性和性能不高是该类算法的主要问题。a)并联型[5]b)金字塔型[6]c)决策树型I[7]d)决策树型II[8]图1-3级联结构随着硬件计算力的巨大提升和海量数据获取难度的降低，卷积神经网络的作用更加明显。基于深度学习的人脸检测方法可以分为三种：基于级联卷积神经网络的人脸检测方法、基于两阶段的人脸检测方法、基于一阶段的人脸检测方法。Li[10]等人提出了基于级联卷积神经网络的人脸检测（如图1-4），该算法是对Viola-Jones方法的深度卷积神经网络实现，将卷积神经网络作为级联分类器中的基分类器，并利用多尺度特征图融合来提升算法的精度。Zhang[11]等人提出了多任务级联卷积网络，实现人脸检测的同时完成人脸关键点定位，两个任务能够共享信息，人脸检测协助关键点定位任务确定点的大致区域，关键点定位协助人脸检测任务确定人-3-
哈尔滨工业大学工程硕士学位论文学习的检测方法。图1-2基于传统图像处理的人脸检测方法[2]早期的人脸检测方法基本上都是通过传统图像处理来实现的，其中最有影响力的便是Viola-Jones算法[2]，具体做法是先通过滑动窗口来得到候选框，然后通过一些人工设计的算子，如Haar-like算子[3]来提取候选框中图像的特征，再用传统的机器学习算法如SVM[4]进行分类，最后利用级联的分类器来进一步提升分类器的准确率。如图1-2所示，先利用滑动窗口来获取候选框，然后提取候选框中图像的特征并用级联分类器来判断是否是人脸，最后通过后处理来得到整个人脸的矩形区域。类似框架的算法还有很多[5–9]，它们都是对级联分类器结构的改进，采用树形级联结构或者更为复杂的级联结构，如图1-3所示。该类算法面临着手动提取特征的局限性，且利用滑动窗口来获取候选框的做法比较耗时，在复杂场景下表现较差，鲁棒性和性能不高是该类算法的主要问题。a)并联型[5]b)金字塔型[6]c)决策树型I[7]d)决策树型II[8]图1-3级联结构随着硬件计算力的巨大提升和海量数据获取难度的降低，卷积神经网络的作用更加明显。基于深度学习的人脸检测方法可以分为三种：基于级联卷积神经网络的人脸检测方法、基于两阶段的人脸检测方法、基于一阶段的人脸检测方法。Li[10]等人提出了基于级联卷积神经网络的人脸检测（如图1-4），该算法是对Viola-Jones方法的深度卷积神经网络实现，将卷积神经网络作为级联分类器中的基分类器，并利用多尺度特征图融合来提升算法的精度。Zhang[11]等人提出了多任务级联卷积网络，实现人脸检测的同时完成人脸关键点定位，两个任务能够共享信息，人脸检测协助关键点定位任务确定点的大致区域，关键点定位协助人脸检测任务确定人-3-
本文编号：2931919
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
人脸情绪识别流程图
哈尔滨工业大学工程硕士学位论文学习的检测方法。图1-2基于传统图像处理的人脸检测方法[2]早期的人脸检测方法基本上都是通过传统图像处理来实现的，其中最有影响力的便是Viola-Jones算法[2]，具体做法是先通过滑动窗口来得到候选框，然后通过一些人工设计的算子，如Haar-like算子[3]来提取候选框中图像的特征，再用传统的机器学习算法如SVM[4]进行分类，最后利用级联的分类器来进一步提升分类器的准确率。如图1-2所示，先利用滑动窗口来获取候选框，然后提取候选框中图像的特征并用级联分类器来判断是否是人脸，最后通过后处理来得到整个人脸的矩形区域。类似框架的算法还有很多[5–9]，它们都是对级联分类器结构的改进，采用树形级联结构或者更为复杂的级联结构，如图1-3所示。该类算法面临着手动提取特征的局限性，且利用滑动窗口来获取候选框的做法比较耗时，在复杂场景下表现较差，鲁棒性和性能不高是该类算法的主要问题。a)并联型[5]b)金字塔型[6]c)决策树型I[7]d)决策树型II[8]图1-3级联结构随着硬件计算力的巨大提升和海量数据获取难度的降低，卷积神经网络的作用更加明显。基于深度学习的人脸检测方法可以分为三种：基于级联卷积神经网络的人脸检测方法、基于两阶段的人脸检测方法、基于一阶段的人脸检测方法。Li[10]等人提出了基于级联卷积神经网络的人脸检测（如图1-4），该算法是对Viola-Jones方法的深度卷积神经网络实现，将卷积神经网络作为级联分类器中的基分类器，并利用多尺度特征图融合来提升算法的精度。Zhang[11]等人提出了多任务级联卷积网络，实现人脸检测的同时完成人脸关键点定位，两个任务能够共享信息，人脸检测协助关键点定位任务确定点的大致区域，关键点定位协助人脸检测任务确定人-3-
哈尔滨工业大学工程硕士学位论文学习的检测方法。图1-2基于传统图像处理的人脸检测方法[2]早期的人脸检测方法基本上都是通过传统图像处理来实现的，其中最有影响力的便是Viola-Jones算法[2]，具体做法是先通过滑动窗口来得到候选框，然后通过一些人工设计的算子，如Haar-like算子[3]来提取候选框中图像的特征，再用传统的机器学习算法如SVM[4]进行分类，最后利用级联的分类器来进一步提升分类器的准确率。如图1-2所示，先利用滑动窗口来获取候选框，然后提取候选框中图像的特征并用级联分类器来判断是否是人脸，最后通过后处理来得到整个人脸的矩形区域。类似框架的算法还有很多[5–9]，它们都是对级联分类器结构的改进，采用树形级联结构或者更为复杂的级联结构，如图1-3所示。该类算法面临着手动提取特征的局限性，且利用滑动窗口来获取候选框的做法比较耗时，在复杂场景下表现较差，鲁棒性和性能不高是该类算法的主要问题。a)并联型[5]b)金字塔型[6]c)决策树型I[7]d)决策树型II[8]图1-3级联结构随着硬件计算力的巨大提升和海量数据获取难度的降低，卷积神经网络的作用更加明显。基于深度学习的人脸检测方法可以分为三种：基于级联卷积神经网络的人脸检测方法、基于两阶段的人脸检测方法、基于一阶段的人脸检测方法。Li[10]等人提出了基于级联卷积神经网络的人脸检测（如图1-4），该算法是对Viola-Jones方法的深度卷积神经网络实现，将卷积神经网络作为级联分类器中的基分类器，并利用多尺度特征图融合来提升算法的精度。Zhang[11]等人提出了多任务级联卷积网络，实现人脸检测的同时完成人脸关键点定位，两个任务能够共享信息，人脸检测协助关键点定位任务确定点的大致区域，关键点定位协助人脸检测任务确定人-3-
本文编号：2931919
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2931919.html
